基于像素级与特征级输入的条件式地理空间图像合成生成
计算机视觉与模式识别
2021-09-14 v1 人工智能
机器学习
摘要
由于缺少类别平衡且多样的训练数据，为许多地理空间计算机视觉应用训练鲁棒的监督深度学习模型十分困难。相反，为许多应用获取足够训练数据在财务上 prohibitive 或可能不可行，特别是当应用涉及建模罕见或极端事件时。利用能够从目标分布中采样并利用图像多尺度特性的生成模型来合成数据（及标签），是解决标注数据稀缺的廉价方案。为此，我们提出一种深度条件生成模型，称为VAE-Info-cGAN，它将变分自编码器（VAE）与条件信息最大化生成对抗网络（InfoGAN）结合，用于合成语义丰富的图像，同时以像素级条件（PLC）和宏观特征级条件（FLC）为条件。在维度上，PLC仅能在通道维度上与合成图像不同，并且是任务特定的输入。FLC被建模为生成图像潜空间中的属性向量，控制与目标分布相关的各种特征属性的贡献。在GPS轨迹数据集上的实验表明，所提模型仅以道路网络的栅格表示为条件，就能准确生成不同地理位置下的多种时空聚合形式。VAE-Info-cGAN的主要预期应用是为地理空间分析和遥感相关计算机视觉建模问题进行针对性数据增强的合成数据（及标签）生成。
引用
@article{arxiv.2109.05201,
title = {Conditional Generation of Synthetic Geospatial Images from Pixel-level and Feature-level Inputs},
author = {Xuerong Xiao and Swetava Ganguli and Vipul Pandey},
journal= {arXiv preprint arXiv:2109.05201},
year = {2021}
}
备注
Extended abstract accepted for presentation at BayLearn 2021. 3 pages, 2 figures