AeroRIT：用于高光谱图像分析的新场景
图像与视频处理
2020-12-02 v3 计算机视觉与模式识别
摘要
我们研究应用卷积神经网络（CNN）架构以促进航空高光谱场景理解，并提出一个新的高光谱数据集 AeroRIT，其规模足以用于 CNN 训练。迄今为止，大多数航空高光谱数据局限于植被与道路的若干子类别，而该场景引入了两个新类别：建筑物与汽车。据我们所知，这是首个具有近七百万像素标注、用于识别汽车、道路和建筑物的综合性大规模高光谱场景。我们通过密集语义分割任务，比较了 SegNet、U-Net 和 Res-U-Net 三种流行架构在场景理解与目标识别上的性能，从而为该场景建立基准。为进一步加强网络，我们添加了挤压激励（squeeze and excitation）模块以改善通道交互，并使用自监督学习以获得更好的编码器初始化。航空高光谱图像分析一直受限于具有有限训练/测试划分能力的小数据集，我们相信 AeroRIT 将以更复杂的物体分布推进该领域的研究。包含辐射度与反射率域飞行航线的完整数据集可在 https://github.com/aneesh3108/AeroRIT 下载。该数据集是开发用于高光谱航空传感的鲁棒算法以执行车辆跟踪与遮挡处理等高级任务的第一步。
引用
@article{arxiv.1912.08178,
title = {AeroRIT: A New Scene for Hyperspectral Image Analysis},
author = {Aneesh Rangnekar and Nilay Mokashi and Emmett Ientilucci and Christopher Kanan and Matthew J. Hoffman},
journal= {arXiv preprint arXiv:1912.08178},
year = {2020}
}
备注
To appear in IEEE TGRS