利用不完美标签的弱监督增强单目高度估计
计算机视觉与模式识别
2025-11-18 v2
摘要
单目高度估计为遥感中的三维感知提供了一种高效且具有成本效益的解决方案。然而，为该任务训练深度神经网络需要大量标注数据，而高质量标签十分稀缺，且通常仅在发达地区可用，这限制了模型的泛化能力并制约了其大规模适用性。本研究通过利用来自域外区域的不完美标签来训练像素级高度估计网络以解决该问题，这些标签与高质量标注相比可能是不完整的、不精确的或不准确的。我们引入了一种基于集成的流水线，兼容任意单目高度估计网络，其架构和损失函数经过专门设计，通过弱监督利用噪声标签中的信息，并采用平衡的软损失和序约束。在两个数据集——DFC23 (0.5--1 m) 和 GBH (3 m)——上的实验表明，与基线相比，我们的方法实现了更一致的跨域性能，在 DFC23 上平均 RMSE 降低达 22.94%，在 GBH 上降低 18.62%。消融实验证实了每个设计组件的贡献。
引用
@article{arxiv.2506.02534,
title = {Enhancing Monocular Height Estimation via Weak Supervision from Imperfect Labels},
author = {Sining Chen and Yilei Shi and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2506.02534},
year = {2025}
}