基于域自适应迁移攻击（DATA）的分割网络用于航空影像建筑物提取
计算机视觉与模式识别
2021-06-09 v2 机器学习
图像与视频处理
机器学习
摘要
基于卷积神经网络（CNNs）的语义分割模型在遥感领域备受关注，并在从高分辨率航空影像中提取建筑物方面取得了显著性能。然而，对未见影像泛化能力有限的问题依然存在。当训练与测试数据集之间存在域间隙时，由训练数据集训练的基于 CNN 的分割模型无法对测试数据集分割建筑物。本文中，我们提出基于域自适应迁移攻击（DATA）方案的分割网络用于航空影像建筑物提取。所提系统结合了域迁移和对抗攻击概念。基于 DATA 方案，输入影像的分布可迁移至目标影像的分布，同时将影像转化为针对目标网络的对抗样本。防御适应目标域的对抗样本可克服因域间隙导致的性能下降，并增加分割模型的鲁棒性。跨数据集实验与消融研究在三个不同数据集上进行：Inria 航空影像标注数据集、Massachusetts 建筑物数据集和 WHU 东亚数据集。与无 DATA 方案的分割网络性能相比，所提方法在总体 IoU 上表现出改进。此外，验证了所提方法即使与特征适配（FA）和输出空间适配（OSA）相比也表现更优。
引用
@article{arxiv.2004.11819,
title = {Domain Adaptive Transfer Attack (DATA)-based Segmentation Networks for Building Extraction from Aerial Images},
author = {Younghwan Na and Jun Hee Kim and Kyungsu Lee and Juhum Park and Jae Youn Hwang and Jihwan P. Choi},
journal= {arXiv preprint arXiv:2004.11819},
year = {2021}
}
备注
11pages, 12 figures