用于双时相建筑变化检测的深度少样本学习
计算机视觉与模式识别
2021-10-06 v2 机器学习
图像与视频处理
摘要
在实际应用（例如变化检测）中，标注图像非常昂贵。为了在这些应用中构建有效的深度学习模型，深度少样本学习方法已被开发出来，并被证明是小训练数据下的一种鲁棒方法。从高空间分辨率遥感观测中分析建筑变化检测是当今摄影测量、计算机视觉和遥感领域的重要研究，可广泛应用于各种实际应用中，例如地图更新。由于人工高分辨率图像解译既昂贵又耗时，建筑变化检测方法备受关注。由于光学图像覆盖范围更广、成本更低，开发基于光学遥感图像的建筑变化检测方法的兴趣正在迅速增长。在本研究中，我们聚焦于对位于数个城市中不同区域的小样本建筑变化进行建筑变化检测分析。本文提出了一种新的深度少样本学习方法，利用 Monte Carlo dropout 和遥感观测进行建筑变化检测。该设置基于一个小数据集，包含用于建筑变化检测的双时相光学图像标注。
引用
@article{arxiv.2108.11262,
title = {Deep few-shot learning for bi-temporal building change detection},
author = {Mehdi Khoshboresh-Masouleh and Reza Shah-Hosseini},
journal= {arXiv preprint arXiv:2108.11262},
year = {2021}
}
备注
5 pages, 3 figures