用于SAR图像语义分割的异质特征蒸馏网络
计算机视觉与模式识别
2022-10-18 v1 图像与视频处理
摘要
由于SAR（合成孔径雷达）具备全天时、全天候成像能力，其图像语义分割近期在遥感领域吸引了越来越多的关注。然而，SAR图像通常比其EO（光电）对应图像更难分割，因为SAR图像中不可避免地存在散斑噪声与叠掩现象。为解决这个问题，我们研究如何引入EO特征来辅助SAR分割模型的训练，并提出一种用于SAR图像分割的异质特征蒸馏网络，称为HFD-Net，其中SAR分割学生模型从预训练EO分割教师模型获取知识。在所提HFD-Net中，学生与教师模型采用相同架构但不同参数配置，并探索了一种异质特征蒸馏模型，用于将教师模型的潜在EO特征迁移至学生模型，从而增强学生模型的SAR图像分割能力。此外，探索了一种异质特征对齐模块，用于在学生模型和教师模型中分别聚合多尺度特征以进行分割。在两个公开数据集上的大量实验结果表明，所提HFD-Net优于七种最先进的SAR图像语义分割方法。
引用
@article{arxiv.2210.08988,
title = {Heterogeneous Feature Distillation Network for SAR Image Semantic Segmentation},
author = {Gao Mengyu and Dong Qiulei},
journal= {arXiv preprint arXiv:2210.08988},
year = {2022}
}