航空影像像素级分割
计算机视觉与模式识别
2020-12-04 v1
摘要
航空影像可用于全球尺度的重要工作。然而，使用神经网络架构对此类数据的分析落后于 PASCAL VOC、CityScapes 和 Camvid 等流行数据集上的当前最优水平。本文弥合了这些流行数据集与航空影像数据之间的性能差距。在多类别设定下，使用最先进神经网络架构对航空影像的研究很少。我们关于数据增强、归一化、图像尺寸和损失函数的实验，为航空影像分割数据集的高性能配置提供了见解。我们使用最先进的 DeepLabv3+ Xception65 架构，在 DroneDeploy 验证集上取得了 70% 的平均交并比（mean IOU）。凭借该结果，我们明显以 5% 的优势超越了当前公开可用的最优验证集 mIOU（65%）性能。此外，据我们所知，测试集尚无 mIOU 基准。因此，我们还使用性能最佳的 DeepLabv3+ Xception65 架构在 DroneDeploy 测试集上提出了新基准，mIOU 得分为 52.5%。
引用
@article{arxiv.2012.02024,
title = {Aerial Imagery Pixel-level Segmentation},
author = {Michael R. Heffels and Joaquin Vanschoren},
journal= {arXiv preprint arXiv:2012.02024},
year = {2020}
}
备注
30 pages, 15 figures, 4 tables. Code available through GitHub repo at https://github.com/mrheffels/aerial-imagery-segmentation