H2O-Net：通过对抗域适应与标签精炼的自监督洪水分割
计算机视觉与模式识别
2020-10-13 v1 人工智能
摘要
通过高分辨率、高延迟卫星影像近实时准确地检测洪水，对于通过提供快速可操作的信息来防止生命损失至关重要。可用于洪水检测的仪器与传感器仅存在于低分辨率、低延迟卫星中，其区域重访周期长达 16 天，使得使用此类卫星的洪水预警系统不可靠。本工作提出 H2O-Network，一种自监督深度学习方法，通过弥合低延迟与高延迟卫星之间的域差距以及从粗到细的标签精炼，从卫星与航空影像中分割洪水。H2O-Net 学习合成与水存在高度相关的信号，作为高分辨率卫星影像语义分割的域适应步骤。我们的工作还提出了一种自监督机制，该机制在训练期间生成高质量真值数据且不需要任何人工标注。我们证明，在洪水分割任务上，H2O-Net 的像素精度和 mIoU 分别比最先进（SOTA）的语义分割方法高出 10% 和 12%。我们通过将卫星影像上训练的模型权重迁移至无人机影像这一差异极大的传感器与域，强调了模型的泛化能力。
引用
@article{arxiv.2010.05309,
title = {H2O-Net: Self-Supervised Flood Segmentation via Adversarial Domain Adaptation and Label Refinement},
author = {Peri Akiva and Matthew Purri and Kristin Dana and Beth Tellman and Tyler Anderson},
journal= {arXiv preprint arXiv:2010.05309},
year = {2020}
}
备注
Submitted to WACV2021