DGNet：用于溢油图像分割的分布引导高效学习
计算机视觉与模式识别
2023-05-03 v1 机器学习
摘要
在合成孔径雷达（SAR）图像中成功实现溢油分割对海洋环境保护至关重要。本文中，我们开发了一个名为 DGNet 的有效分割框架，该框架通过融入 SAR 图像中后向散射值的内在分布来进行溢油分割。具体而言，我们提出的分割网络由两个以交互方式运行的深度神经模块构成，其一为推理模块，从 SAR 图像实现潜特征变量推理，另一为生成模块，以潜特征变量为输入生成溢油分割图。因此，为产生准确分割，我们考虑 SAR 图像中后向散射值的内在分布并将其嵌入我们的分割模型。该内在分布源自 SAR 影像，描述溢油的物理特性。在训练过程中，所表述的内在分布引导溢油分割的最优潜特征变量推理的高效学习。该高效学习使得我们提出的 DGNet 能用少量图像数据训练。这对于溢油 SAR 图像数据在实践中有限的溢油分割而言具有经济益处。此外，得益于最优潜特征变量推理，我们提出的 DGNet 实现了准确的溢油分割。我们用不同指标评估所提 DGNet 的分割性能，实验评估证明了其有效分割。
引用
@article{arxiv.2301.01202,
title = {DGNet: Distribution Guided Efficient Learning for Oil Spill Image Segmentation},
author = {Fang Chen and Heiko Balzter and Feixiang Zhou and Peng Ren and Huiyu Zhou},
journal= {arXiv preprint arXiv:2301.01202},
year = {2023}
}