高分辨率语义一致的图像到图像翻译
计算机视觉与模式识别
2022-12-13 v1 机器学习
摘要
近年来，深度学习已成为遥感科学家最有效的计算机视觉工具之一。然而，遥感数据集缺乏训练标签意味着科学家需要解决域适应问题，以缩小卫星图像数据集之间的差异。这样一来，随后训练的图像分割模型能够更好地泛化并利用现有标签集，而无需新的标签。本工作提出一种无监督域适应模型，在风格迁移阶段保持图像的语义一致性与逐像素质量。本文的主要贡献是提出 SemI2I 模型的改进架构，显著提升了所提模型的性能，使其可与最先进的 CyCADA 模型竞争。第二个贡献是在 WorldView-2 与 SPOT-6 等遥感多波段数据集上测试 CyCADA 模型。所提模型在风格迁移阶段保持图像的语义一致性与逐像素质量。因此，在适配图像上训练的语义分割模型相比 SemI2I 模型表现出显著的性能提升，并达到与最先进 CyCADA 模型相似的结果。所提方法的未来发展可包括生态域迁移、基于数据分布的数据集质量先验评估，或探索域适应模型的内部架构。
引用
@article{arxiv.2209.06264,
title = {High-resolution semantically-consistent image-to-image translation},
author = {Mikhail Sokolov and Christopher Henry and Joni Storie and Christopher Storie and Victor Alhassan and Mathieu Turgeon-Pelchat},
journal= {arXiv preprint arXiv:2209.06264},
year = {2022}
}
备注
25 pages, 7 figures