基于大规模弱监督学习的卫星影像道路提取
计算机视觉与模式识别
2023-09-15 v1 人工智能
摘要
利用深度学习从卫星影像中自动提取道路是传统人工制图的可行替代方案，因此近年来受到相当关注。然而，现有多数方法为有监督并需要像素级标注，这繁琐且易错。更糟的是，地球具有多样的地形、植被与人造物体。众所周知，在一个区域训练的模型泛化到其他区域效果很差。光照与角度等各种拍摄条件，以及不同的图像处理技术进一步使问题复杂化。开发覆盖所有图像风格的训练数据是不现实的。本文提出利用 OpenStreetMap 道路数据作为弱标签与大规模卫星影像来预训练语义分割模型。我们广泛的实验结果表明，预测精度随弱标注数据量以及所选训练区域的道路密度增加而提升。使用比广泛使用的 DeepGlobe 道路数据集多达 100 倍的数据，我们采用 D-LinkNet 架构与 ResNet-50 骨干的模型超越了当前 DeepGlobe 排行榜的最佳表现者。此外，由于大规模预训练，我们的模型比仅用精选数据集训练的模型泛化性好得多，意味着巨大的应用潜力。
引用
@article{arxiv.2309.07823,
title = {Large-scale Weakly Supervised Learning for Road Extraction from Satellite Imagery},
author = {Shiqiao Meng and Zonglin Di and Siwei Yang and Yin Wang},
journal= {arXiv preprint arXiv:2309.07823},
year = {2023}
}