用于遥感图像数据增强与自适应的条件生成对抗网络
计算机视觉与模式识别
2019-09-24 v1 机器学习
图像与视频处理
摘要
获取与给定任务相关的标注数据是将深度学习技术应用于新领域或甚至仅作微小修改的领域时，最常见且众所周知的实际障碍之一。当前一代监督学习算法所需的数据量通常远超人类学习和完成给定任务所需的量。我们研究了利用生成对抗网络（GAN）将给定的遥感图像标注语料库扩展为更大语料库的方法。随后，我们测量了这些额外的合成数据对目标检测任务中监督机器学习性能的影响。我们的数据驱动策略是训练 GAN 以（1）生成合成分割掩码，以及（2）生成与这些分割掩码相对应的合理合成遥感图像。按顺序运行这些 GAN，可以生成带有分割标签的完整合成遥感图像。我们将此策略应用于 ISPRS 2D 语义标注竞赛 - 波茨坦数据集，并进行了后续的车辆检测任务。我们发现在训练数据有限的场景下，使用此类合成数据增强可用数据可以提高检测器的性能。
引用
@article{arxiv.1908.03809,
title = {Conditional Generative Adversarial Networks for Data Augmentation and Adaptation in Remotely Sensed Imagery},
author = {Jonathan Howe and Kyle Pula and Aaron A. Reite},
journal= {arXiv preprint arXiv:1908.03809},
year = {2019}
}