DeepAqua：基于知识蒸馏利用SAR图像自监督语义分割湿地地表水范围
计算机视觉与模式识别
2023-09-21 v2 机器学习
图像与视频处理
摘要
深度学习和遥感技术显著提升了水体监测能力；然而，对标注数据的需求仍是一大挑战。这在湿地检测中尤为突出，其水范围随时间和空间变化，同一区域需多次标注。本文提出DeepAqua，一种利用知识蒸馏（即师生模型）消除训练阶段人工标注需求的自监督深度学习模型。我们利用归一化差分水体指数（NDWI）作为教师模型训练卷积神经网络（CNN）从合成孔径雷达（SAR）图像中分割水体，并以光学与雷达水体掩膜一致的情况训练学生模型，从而检测开阔及植被覆盖水面。DeepAqua通过无需任何人工标注数据即可有效训练语义分割模型，成为计算机视觉技术的重要进展。实验结果表明，DeepAqua较其他无监督方法准确率提升7%、交并比提升27%、F1分数提升14%。该方法为监测湿地水范围变化提供了无需地面真值数据的实用方案，对湿地保护具有高度适应性与可扩展性。
引用
@article{arxiv.2305.01698,
title = {DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation},
author = {Francisco J. Peña and Clara Hübinger and Amir H. Payberah and Fernando Jaramillo},
journal= {arXiv preprint arXiv:2305.01698},
year = {2023}
}
备注
29 pages, 8 figures, 1 table