遥感中的广义小样本语义分割：挑战与基准

Clifford Broni-Bediako; Junshi Xia; Jian Song; Hongruixuan Chen; Mennatullah Siam; Naoto Yokoya

遥感中的广义小样本语义分割：挑战与基准

计算机视觉与模式识别 2024-09-18 v1

作者: Clifford Broni-Bediako , Junshi Xia , Jian Song , Hongruixuan Chen , Mennatullah Siam , Naoto Yokoya

摘要

在包括遥感在内的各种应用中，使用有限标注数据进行学习是一个具有挑战性的问题。小样本语义分割是一种可以鼓励深度学习模型从少量标注样本中学习训练期间未见过的全新类别的方法。广义小样本分割设置增加了一个额外的挑战，即鼓励模型不仅要适应新类别，还要在训练基类上保持强大的性能。虽然以往的数据集和基准讨论了遥感中的小样本分割设置，但我们首次提出了一个用于遥感的广义小样本分割基准。广义设置更加现实且更具挑战性，这需要在遥感背景下对其进行探索。我们发布了该数据集，为广义小样本评估设置增加了额外标注类别的OpenEarthMap。该数据集在L3D-IVU研讨会期间与CVPR 2024联合举办的OpenEarthMap土地覆盖制图广义小样本挑战赛中发布。在这项工作中，我们总结了数据集和挑战赛的细节，并提供了挑战赛两个阶段（验证集和测试集）的基准结果。

关键词

广义小样本语义分割遥感土地覆盖制图 OpenEarthMap 基准深度学习新类别

引用

@article{arxiv.2409.11227,
  title  = {Generalized Few-Shot Semantic Segmentation in Remote Sensing: Challenge and Benchmark},
  author = {Clifford Broni-Bediako and Junshi Xia and Jian Song and Hongruixuan Chen and Mennatullah Siam and Naoto Yokoya},
  journal= {arXiv preprint arXiv:2409.11227},
  year   = {2024}
}

备注

7 pages, 3 figures, and 2 tables

遥感中的广义小样本语义分割：挑战与基准

摘要

关键词

引用

备注

相关论文