面向跨域遥感图像分割的课程式局部到全局自适应方法
计算机视觉与模式识别
2022-03-04 v1 图像与视频处理
摘要
尽管域适应在自然图像分割任务中已被广泛研究，针对极高分辨率(VHR)遥感图像(RSIs)的跨域分割研究仍显不足。基于VHR RSIs的跨域分割主要面临两个关键挑战：1) 大面积地物覆盖与众多各异物体类别带来严重的局部块级数据分布偏移，从而对不同局部块产生不同的适应难度；2) 不同的VHR传感器类型或动态变化模式导致即便同一地理位置的VHR图像也经历剧烈的数据分布差异，造成不同的全局特征级域间隙。为应对这些挑战，我们提出一种课程式局部到全局跨域适应框架用于VHR RSIs分割。所提课程式适应依据目标域各块的基于熵的难度评分，以由易到难的方式执行适应过程，从而很好地对齐域图像中的局部块。所提局部到全局适应从局部语义到全局结构特征差异执行特征对齐，并由一个语义级域分类器和一个熵级域分类器组成，可减小上述跨域特征差异。我们在多种跨域场景(包括地理位置变化与成像模式变化)中进行了充分实验，结果表明所提方法能显著提升分割网络对VHR RSIs的域适应性。代码见：https://github.com/BOBrown/CCDA_LGFA。
关键词
引用
@article{arxiv.2203.01539,
title = {Curriculum-style Local-to-global Adaptation for Cross-domain Remote Sensing Image Segmentation},
author = {Bo Zhang and Tao Chen and Bin Wang},
journal= {arXiv preprint arXiv:2203.01539},
year = {2022}
}
备注
Accepted for publication by IEEE T-GRS, code is available at https://github.com/BOBrown/CCDA_LGFA