基于边缘引导和类别平衡的航空图像语义分割主动学习

语义分割需要像素级标注，耗时较长。主动学习（Active Learning, AL）是一种减少数据标注成本的有前景的方法。由于航空图像与自然图像之间的差距，先前的主动学习方法并不理想，这主要由不合理的标注单元和对类别不平衡的忽视所致。先前的标注单元基于图像或区域，这不考虑分割任务和航空图像的特征，即分割网络常在边缘区域出错，而航空图像的边缘常呈交错和不规则。因此，提出一种基于边缘引导的标注单元作为新的标注单元。另一方面，类别不平衡严重，表现为两个方面：航空图像严重不平衡，主动学习策略未充分考虑类别平衡。这两个因素严重影响航空图像上主动学习的性能。我们全面地在可能导致不平衡的每个步骤中确保类别平衡，包括初始标记数据、后续标记数据以及伪标签。通过这两个改进，我们的方法在三个基准数据集 Deepglobe、Potsdam 和 Vaihingen 上比最先进的方法取得了超过 11.2% 的提升，与基线相比提升超过 18.6%。充分的消融研究表明每个模块都至关重要。此外，我们建立了一个公平且强大的基准，用于未来研究航空图像分割的主动学习。