用于域自适应遥感图像分割的深度协方差对齐
图像与视频处理
2024-01-10 v1
摘要
无监督域自适应 (UDA) 图像分割最近引起了越来越多的关注，旨在提高从源域到目标域的知识迁移泛化能力。然而，在高空间分辨率遥感图像 (RSI) 中，来自不同域（例如城市和农村）的同一类别可能看起来完全不同，分布极不一致，这严重限制了 UDA 的准确性。为了解决这个问题，本文提出了一种用于 UDA RSI 分割的新型深度协方差对齐 (DCA) 模型。DCA 可以显式地对齐类别特征，以学习共享的域不变判别特征表示，从而增强模型的泛化能力。具体而言，首先采用类别特征池化 (CFP) 模块，通过结合粗略输出和深度特征来提取类别特征。然后，我们利用一种新颖的协方差正则化 (CR) 来强制类内特征更接近，类间特征更分离。与现有的类别对齐方法相比，我们的 CR 旨在正则化特征不同维度之间的相关性，因此在处理分布不平衡和不一致的发散类别特征时表现得更鲁棒。最后，我们提出了一种分阶段过程来训练 DCA，以减轻误差累积。在 LoveDA 数据集的农村到城市和城市到农村场景上的实验表明，我们提出的 DCA 优于其他最先进的 UDA 分割方法。代码可在 https://github.com/Luffy03/DCA 获取。
引用
@article{arxiv.2401.04412,
title = {Deep Covariance Alignment for Domain Adaptive Remote Sensing Image Segmentation},
author = {Linshan Wu and Ming Lu and Leyuan Fang},
journal= {arXiv preprint arXiv:2401.04412},
year = {2024}
}
备注
A paper accepted by TGRS