基于外观的深度域适应用于航空图像分类

本文针对利用深度神经网络（DNN）进行遥感数据逐像素分类的域适应问题，将其作为一种降低 DNN 对训练数据可用性要求的策略。我们关注这样一种设定：仅在源域 DS 中有标注数据，而在目标域 DT 中没有。我们的方法基于对外观适应网络（AAN）的对抗式训练，该网络将来自 DS 的图像变换得看起来像来自 DT 的图像。结合 DS 的原始标签图，变换后的图像被用于使 DNN 适应 DT。我们提出了 AAN 与分类器的联合训练策略，该策略约束 AAN 变换图像使其能被正确分类。通过这种方式，某一类别的物体被改变以使其类似于 DT 中同一类别的物体。为了进一步提升适应性能，我们为域对抗训练中使用的判别器网络提出了一种新的正则化损失。我们还解决了寻找训练网络参数最优值的问题，提出了一种无监督的基于熵的参数选择准则，以弥补 DT 中无法监控验证集的缺陷。作为一项次要贡献，我们提出了一种用于交叉熵损失的新的加权策略，以解决类别分布不平衡的问题。我们的方法在 42 个适应场景中使用来自 7 个城市的、均由高分辨率数字正射影像和高程数据组成的数据集进行了评估。它在所有情况下都实现了正迁移，平均将目标域的总体精度提升了 4.3%。在来自 ISPRS 语义标注基准的数据集之间的适应场景中，我们的方法在平均交并比方面比近期发表的方法高出 10-20%。