集中复制粘贴：野火语义分割的数据增强策略
计算机视觉与模式识别
2026-04-22 v2 机器学习
摘要
收集和标注语义分割模型所需的图像往往成本高昂。在野火科学领域，这一挑战因可靠公共数据集稀缺且缺乏标记地面实况而进一步加剧。本文提出了集中复制粘贴数据增强（Centralized Copy-Paste Data Augmentation, CCPDA）方法，旨在辅助深度学习多类别语义分割模型训练，尤其关注提高火灾类别的分割效果。CCPDA包含三个主要步骤：（i）识别源图像中的火灾簇；（ii）应用中心化技术聚焦于火灾区域的核心；（iii）将精炼后的火灾簇粘贴到目标图像上。该方法在保持火灾类别关键特征的同时，增加了数据集的多样性。通过加权求和-based 多目标优化方法进行数值分析与与各种其他增强方法的比较，展示了该增强技术的有效性。该方法提升了针对火灾类别的分割性能指标，后者在操作意义上远超其他类别（燃料、灰烬或背景）。数值性能评估验证了所提CCPDA方法在缓解小规模人工标记训练数据集所面临的困难方面的有效性，同时说明CCPDA在所考虑的应用场景下，尤其在提高火灾类别分割性能方面，优于其他增强策略。
引用
@article{arxiv.2507.06321,
title = {Centralized Copy-Paste: Enhanced Data Augmentation Strategy for Wildland Fire Semantic Segmentation},
author = {Joon Tai Kim and Tianle Chen and Ziyu Dong and Nishanth Kunchala and Alexander Guller and Daniel Ospina Acero and Roger Williams and Mrinal Kumar},
journal= {arXiv preprint arXiv:2507.06321},
year = {2026}
}
备注
16 pages, 5 figures; published in AIAA SciTech Forum 2026, Paper 2026-1763