一种用于城市地区立体DSM滤波的广义多任务学习方法
计算机视觉与模式识别
2020-04-08 v2 图像与视频处理
摘要
城市模型与城市地区的高程图作为宝贵的数据源服务于众多应用，如灾害管理或城市规划。虽然此类信息并非全球可得，但可由廉价卫星影像自动生成的数字表面模型（DSMs）所替代。然而，立体DSMs常受噪声与模糊困扰。此外，它们被植被严重扭曲，而植被对多数应用而言相关性较低。此类基础模型可由卷积神经网络（CNNs）滤波，该网络在源自数字高程模型（DEMs）与三维城市模型的标签上训练，以获得精炼的DSM。我们提出一种模块化多任务学习概念，将现有方法整合为广义框架。我们具有共享编码器和多个任务专用解码器的编码器-解码器模型，将屋顶类型分类作为辅助任务，并采用包含条件对抗项在内的多目标。各贡献性单目标损失在最终多任务损失函数中基于学习的 Uncertainty 估计自动加权。我们评估了该网络架构族中特定实例的性能。我们的方法在通用数据上于定量与定性方面均持续优于当前最优（SOTA）方法，并对独立研究区的新数据集具有良好的泛化能力。
引用
@article{arxiv.2004.02493,
title = {A Generalized Multi-Task Learning Approach to Stereo DSM Filtering in Urban Areas},
author = {Lukas Liebel and Ksenia Bittner and Marco Körner},
journal= {arXiv preprint arXiv:2004.02493},
year = {2020}
}
备注
This paper was accepted for publication in the ISPRS Journal of Photogrammetry and Remote Sensing