一个多样化大规模建筑数据集及一种用于建筑提取的即插即用域泛化新方法
计算机视觉与模式识别
2022-10-18 v2
摘要
本文介绍了一个新的建筑数据集，并提出了一种新颖的域泛化方法，以促进从高分辨率遥感影像中进行建筑提取的发展。当前建筑数据集存在的问题包括缺乏多样性、标签质量不佳，且难以用于训练具有良好泛化能力的建筑提取模型，从而无法恰当评估模型在实际场景中的真实性能。为解决这些问题，我们构建了一个名为 WHU-Mix 建筑数据集的多样化、大规模、高质量且更面向实际的建筑数据集。WHU-Mix 建筑数据集包含一个训练/验证集（含从全球收集的 43,727 张多样化图像）以及一个测试集（含来自五大洲另外五座城市的 8402 张图像）。此外，为进一步提升建筑提取模型的泛化能力，我们提出了一种名为批量风格混合（batch style mixing, BSM）的域泛化方法，其可作为高效的即插即用模块嵌入建筑提取模型的前端，为模型提供逐步更大的数据分布以学习数据不变知识。本研究的实验证实了 WHU-Mix 建筑数据集在提升建筑提取模型性能方面的潜力，与其他现有数据集相比，mIoU 提升了 6–36%。其他数据集中不准确标签的负面影响可导致约 20% 的 IoU 下降。实验还证实了所提 BSM 模块在增强模型泛化能力与鲁棒性方面的高性能，其 mIoU 超过无域泛化的基线模型 13%，并超过近期域泛化方法 4–15%。
引用
@article{arxiv.2208.10004,
title = {A diverse large-scale building dataset and a novel plug-and-play domain generalization method for building extraction},
author = {Muying Luo and Shunping Ji and Shiqing Wei},
journal= {arXiv preprint arXiv:2208.10004},
year = {2022}
}