面向遥感影像语义分割的边界损失

随着地理空间数据重要性日益提升，对其进行分析（包括语义分割）已成为当今计算机视觉中日益流行的任务。卷积神经网络是强大的视觉模型，能够产生特征层次结构，从业者广泛利用它们来处理遥感数据。在执行遥感图像分割时，经常出现同一类别的多个实例且具有精确定义边界的情况，准确提取这些边界至关重要。分割边界描绘的精度直接影响整个分割区域的质量。然而，广泛使用的分割损失函数如 BCE、IoU loss 或 Dice loss 对边界错位的惩罚不足。本文提出一种新颖的损失函数，即衡量边界检测精度的度量的可微代理。该损失函数可用于任意神经网络进行二值分割。我们在合成数据集以及真实世界数据（ISPRS Potsdam、INRIA AIL）上，使用 UNet 的多种变体对所提损失函数进行了验证。使用所提损失函数训练的模型在 IoU 分数上优于基线方法。