面向弱监督变化检测的背景混合增强
计算机视觉与模式识别
2023-06-21 v3 人工智能
摘要
变化检测（CD）旨在将同一场景长时隔拍摄的两幅图像中的对象变化（即对象消失或出现）与背景变化（即光照、季节等环境变化）解耦，在灾害管理、城市发展等方面有关键应用。特别地，背景变化模式的无穷多样要求检测器对未见环境变化具备高泛化能力，使该任务极具挑战。近期基于深度学习的方法设计了新颖网络架构或优化策略并利用配对训练样本，但未显式处理泛化问题且需大量人工像素级标注。本文在 CD 领域首次尝试从数据增强视角研究 CD 的泛化问题，并提出了一种仅需图像级标签的弱监督训练算法。与通用分类增强技术不同，我们提出背景混合增强，其专为变化检测设计，在一组背景变化图像引导下增强样本，使深度 CD 模型见到多样环境变化。此外，我们提出增强与真实数据一致性损失，显著促进泛化提升。我们的方法作为通用框架可增强多种现有基于深度学习的检测器。我们在两个公开数据集上开展充分实验，增强了四种最先进方法，证明了本方法优势。代码发布于 https://github.com/tsingqguo/bgmix。
引用
@article{arxiv.2211.11478,
title = {Background-Mixed Augmentation for Weakly Supervised Change Detection},
author = {Rui Huang and Ruofei Wang and Qing Guo and Jieda Wei and Yuxiang Zhang and Wei Fan and Yang Liu},
journal= {arXiv preprint arXiv:2211.11478},
year = {2023}
}
备注
AAAI 2023 Accepted