评估剪切粘贴数据增强在卫星图像语义分割中的有效性
计算机视觉与模式识别
2025-01-22 v2 机器学习
图像与视频处理
摘要
卫星图像对于环境监测和城市规划等任务至关重要。通常，它依赖语义分割或土地利用土地覆盖（LULC）分类来对每个像素进行分类。尽管深度神经网络带来了进步，但它们在分割任务中的表现受到标注数据可用性有限、类别不平衡以及卫星图像固有变异性和复杂性等挑战的阻碍。为了缓解这些问题，我们的研究探索了一种剪切粘贴增强技术在卫星图像语义分割中的有效性。我们将这种通常需要带标注实例的增强方法调整适用于语义分割。通过利用语义分割标签中的连通分量，我们提取实例，然后在训练期间随机粘贴它们。使用 DynamicEarthNet 数据集和 U-Net 模型进行评估，我们发现这种增强将测试集上的 mIoU 分数从 37.9 显著提高到 44.1。这一发现突显了剪切粘贴增强在提升卫星图像语义分割模型泛化能力方面的潜力。
引用
@article{arxiv.2404.05693,
title = {Evaluating the Efficacy of Cut-and-Paste Data Augmentation in Semantic Segmentation for Satellite Imagery},
author = {Ionut M. Motoi and Leonardo Saraceni and Daniele Nardi and Thomas A. Ciarfuglia},
journal= {arXiv preprint arXiv:2404.05693},
year = {2025}
}
备注
Published in: IGARSS 2024 - 2024 IEEE International Geoscience and Remote Sensing Symposium