ChessMix：面向遥感语义分割的空间上下文数据增强
计算机视觉与模式识别
2021-08-27 v1 机器学习
摘要
与图像分类和目标检测等任务相比，标注语义分割数据集是一个昂贵且费力的过程。对于遥感应用而言尤其如此，其不仅处理极高空间分辨率数据，还通常需要该领域专家的知识来进行人工标注。在标注样本少且不平衡的情况下，数据增强技术有助于提升深度学习模型的性能。在本研究中，我们提出了一种专注于探索遥感语义分割空间上下文的新型数据增强方法。该方法名为 ChessMix，通过在类似棋盘的网格中混合跨数据集变换后的小块，从现有训练集中生成新的合成图像。ChessMix 优先处理包含最稀有类别更多样本的图像块，以缓解不平衡问题。在三个不同的知名遥感数据集上的结果表明，这是一种有前景的方法，有助于提升网络性能，在可用数据较少的数据集上表现尤为出色。结果还表明，与广泛使用的最常见数据增强方法相比，ChessMix 能够改善标注像素较少物体的分割效果。
引用
@article{arxiv.2108.11535,
title = {ChessMix: Spatial Context Data Augmentation for Remote Sensing Semantic Segmentation},
author = {Matheus Barros Pereira and Jefersson Alex dos Santos},
journal= {arXiv preprint arXiv:2108.11535},
year = {2021}
}