广义少样本结合遥感：通过混合语义分割框架在土地覆盖制图中发现新类
计算机视觉与模式识别
2024-04-22 v1 人工智能
机器学习
摘要
土地覆盖制图是地球观测中的重要应用之一，旨在对遥感图像的每个像素进行土地覆盖类型分类。随着自然与人类活动改变地表景观，土地覆盖图需要快速更新。然而，在现有分类体系中发现新出现的土地覆盖类型仍是一项非平凡的任务，受到各种尺度的复杂土地对象以及广阔地理区域内标注数据不足的阻碍。在本文中，我们提出了一个基于广义少样本分割的框架，名为 SegLand，用于在高分辨率土地覆盖制图中更新新类。具体而言，所提框架由三部分设计：(a) 数据预处理：对基础训练集和新类的少样本支持集进行分析与增强；(b) 混合分割结构：结合多个基础学习器与改进的正交原型投影（POP）网络，以增强基础类识别并从不足的标注数据中挖掘新类；(c) 最终融合：合理融合基础学习器与 POP 网络的语义分割结果。所提框架在 OpenEarthMap 土地覆盖制图少样本挑战赛的排行榜上获得第一名。实验证明了该框架在利用有限标注数据自动更新新土地覆盖类方面的优越性。
引用
@article{arxiv.2404.12721,
title = {Generalized Few-Shot Meets Remote Sensing: Discovering Novel Classes in Land Cover Mapping via Hybrid Semantic Segmentation Framework},
author = {Zhuohong Li and Fangxiao Lu and Jiaqi Zou and Lei Hu and Hongyan Zhang},
journal= {arXiv preprint arXiv:2404.12721},
year = {2024}
}
备注
11 pages, 11 figures, accepted by CVPR 2024 L3D-IVU Workshop