基于半监督学习生成城市尺度车辆数据集的无边界框实例分割
计算机视觉与模式识别
2022-05-04 v1 人工智能
数据库
摘要
车辆分类是一个热门的计算机视觉课题，研究范围从地面视角到俯视影像。在遥感中，俯视图像的使用有助于理解城市模式、车辆聚集、交通管理等方面。然而，在进行像素级分类时存在一些困难：(a) 大多数车辆分类研究使用目标检测方法，且大多数公开可用数据集是为该任务设计的；(b) 创建实例分割数据集费力；(c) 传统实例分割方法在此任务上表现不佳，因为目标较小。因此，本研究的目标是：(1) 提出一种使用 GIS 软件的新型半监督迭代学习方法；(2) 提出一种无边界框的实例分割方法；(3) 提供一个城市尺度的车辆数据集。所考虑的迭代学习流程为：(1) 标注少量车辆；(2) 在这些样本上训练；(3) 使用模型对整幅图像进行分类；(4) 将图像预测转换为多边形 shapefile；(5) 修正一些有错误的区域并将其加入训练数据；(6) 重复直至结果满意。为分离实例，我们考虑了车辆内部与车辆边界，DL 模型为以 Efficient-net-B7 为骨干的 U-net。在移除边界后，车辆内部变得孤立，从而实现唯一目标识别。为恢复被删除的 1 像素边界，我们提出了一种简单方法来扩展每个预测。结果显示，与 Mask-RCNN 相比，像素级指标更优（IoU 为 82% 对 67%）。在逐目标分析中，总体准确率、精确率和召回率均大于 90%。该流程适用于任何遥感目标，对分割和生成数据集非常高效。
引用
@article{arxiv.2111.12122,
title = {Bounding Box-Free Instance Segmentation Using Semi-Supervised Learning for Generating a City-Scale Vehicle Dataset},
author = {Osmar Luiz Ferreira de Carvalho and Osmar Abílio de Carvalho Júnior and Anesmar Olino de Albuquerque and Nickolas Castro Santana and Dibio Leandro Borges and Roberto Arnaldo Trancoso Gomes and Renato Fontes Guimarães},
journal= {arXiv preprint arXiv:2111.12122},
year = {2022}
}
备注
38 pages, 10 figures, submitted to journal