基于半监督学习的Sentinel-1 SAR影像洪水分割
计算机视觉与模式识别
2021-10-26 v4 人工智能
机器学习
摘要
洪水在世界各地造成严重破坏,导致数十亿美元损失,并颠覆社区、生态系统和经济。NASA Impact洪水检测竞赛要求参与者在监督设定下使用合成孔径雷达(SAR)图像训练后预测被淹像素。我们提出一种半监督学习伪标签方案,该方案从U-Net集成模型中导出置信度估计,逐步提升精度。具体而言,我们采用涉及多个阶段的循环方法:(1)用提供的高置信度人工标注数据以及在全部无标签测试数据集上生成的伪标签或低置信度标签,训练多个U-Net架构的集成模型,然后(2)滤除生成的低质量标签,以及(3)将生成的标签与先前可用的高置信度人工标注数据集结合。该同化数据集用于下一轮集成模型训练,循环过程重复直至性能提升趋于平稳。我们使用条件随机场对结果进行后处理。我们的方法在Sentinel-1数据集上以0.7654 IoU创下新的SOTA,较0.60 IoU基线有显著提升。我们的方法随所有代码和模型一并发布,也可作为Sentinel-1数据集的开放科学基准。
引用
@article{arxiv.2107.08369,
title = {Flood Segmentation on Sentinel-1 SAR Imagery with Semi-Supervised Learning},
author = {Sayak Paul and Siddha Ganju},
journal= {arXiv preprint arXiv:2107.08369},
year = {2021}
}
备注
Equal authorship. Accepted to the Tackling Climate Change with Machine Learning workshop at NeurIPS 2021. Code and models are available at https://git.io/JW3P8