21、可解释深度学习在卫星图像建筑分割中的应用与挑战

可解释深度学习在卫星图像建筑分割中的应用与挑战

1. 可解释深度学习研究现状

近年来，可解释深度学习方法在遥感领域得到了广泛应用。不同的研究者在不同方面进行了探索：
- Su等人（2022）通过多种可解释性方法评估了CNN对SAR图像分类的预测结果。
- Abdollahi等人（2021）将SHapley Additive exPlanations（SHAP）用于植被制图的特征选择。
- Huang等人（2021）用ECR - CAM模型解决了Grad - CAM的局限性，增强了目标定位和分类能力。
- Kakogeorgiou和Karantzalos（2021）专注于多光谱卫星图像分类的深度学习方法的比较研究。

近期的研究进一步拓展了可解释深度学习方法的应用范围：
- Al - Najjar等人（2022）和Fisher等人（2022）分别将SHAP和Grad - CAM用于滑坡易发性和贫民窟制图。
- Nguyen等人（2022）应用CNN进行瑞士阿尔卑斯山的森林制图，提供了透明且可解释的结果。
- Matrone等人（2022）、Zhao等人（2022）和De Lucia等人（2022b）将Grad - CAM的应用扩展到点云和高光谱图像分类。
- Sahin等人（2023）和Temenos等人（2023）展示了SHAP在高光谱图像分类和土地利用与覆盖分类中的实用性。
- Tan等人（2022）致力于提高多标签分类中类标签的可解释性。

然而，将CAM、Grad - CAM、SHAP和LIME等技术应用于高分辨率图像时，往往需要更多地适应该领域的特定挑战。因此，需要进一步开发和定制可解释