1. 赛题名称
联合建筑物提取和高度估计的多任务学习
2. 赛题背景
该轨道定义了建筑物提取和高度估计的联合任务。两者都是建筑改造的两个非常基础和必不可少的任务。与轨道 1 相同，输入数据是多模态光学和 SAR 卫星图像。单视图卫星图像中的建筑物提取和高度估计取决于从图像中提取的语义特征。与传统的单独实现相比，多任务学习通过重用特征并在多个任务之间形成隐式约束，提供了一种潜在的优越解决方案。卫星图像提供参考数据，即建筑物足迹和标准化数字表面模型 (nDSM)。参与者需要重建建筑物高度并提取建筑物足迹。图 2 显示了一个示例。
3. 数据说明
提供rgb和单通道的sar数据，训练数据1773对样本，验证数据（即第一阶段的测试样本）共579张，数据量非常少。暂且不清楚能否使用赛道一的数据训练建筑物检测任务。
4. baseline
基于mmdetection框架的maskrcnn用于建筑物实例分割任务，PSPNet+resnet50用于高度估计任务。
备注：baseline尤其是高度估计的代码可用性不高
baseline地址：
https://github.com/AICyberTeam/DFC2023-baseline
5. 奖品及规则
每条赛道中排名第一、第二、第三和第四的队伍将被宣布为获胜者。
获奖作品的作者将：
在 IGARSS 2023 的 DFC23 特邀会议上展示他们的方法
在 IGARSS 2023 会议记录中发表他们的手稿
获得 IEEE 认可证书
每个赛道的第一、第二和第三名的团队将分别获得 5,000 美元、2,000 美元和 1,000 美元（美元）的现金奖励。
每个赛道排名第一和第二的团队的作者将共同撰写一篇总结 DFC23 成果的期刊论文，并将以开放获取的方式提交给 IEEE JSTARS。
排名靠前的团队将于 2023 年 7 月在美国帕萨迪纳举行的 IGARSS 2023 期间获奖。
6. 参与方式
在codalab和星图地球官网同时报名，请注意用户名使用同一个。参与两个赛道只需在星图地球报名一次。
7. 赛程安排
初赛 2023年1月3日-2023年2月28日
向参与者提供训练数据和额外的验证图像（没有相应的参考数据）来训练和验证他们的算法。
复赛 2023年3月6日-2023年3月13日
参与者收到测试数据集（无相应参考数据），并在七日内提交结果。
8. 比赛地址
https://codalab.lisn.upsaclay.fr/competitions/8988
——————————————————
以上内容来自公众号“遥感&深度学习”，专注于“遥感+深度学习”相关信息共享，包括技术、论文、代码、竞赛等前沿资料。
