基于查询点监督的航空图像语义分割学习
计算机视觉与模式识别
2024-08-07 v2 人工智能
机器学习
摘要
语义分割在遥感中至关重要，其中高分辨率卫星图像被分割为有意义的区域。深度学习的近期进展显著改进了卫星图像分割。然而，这些方法大多在完全监督设定下训练，需要高质量的像素级标注，获取昂贵且耗时。本工作中，我们提出一种弱监督学习算法来训练语义分割算法，其仅依赖查询点标注而非完整掩码标签。我们提出的方法执行准确的语义分割，并通过显著减少人工标注所需的成本与时间来提高效率。具体而言，我们生成超像素并将查询点标签扩展到那些分组相似有意义语义的超像素中。然后，我们以部分由超像素伪标签标注的图像监督训练语义分割模型。我们在一个航空图像数据集和不同语义分割架构上基准测试了我们的弱监督训练方法，表明相较于完全监督训练可达到有竞争力的性能，同时减少标注工作量。我们提出方法的代码公开于：https://github.com/santiago2205/LSSQPS。
引用
@article{arxiv.2309.05490,
title = {Learning Semantic Segmentation with Query Points Supervision on Aerial Images},
author = {Santiago Rivier and Carlos Hinojosa and Silvio Giancola and Bernard Ghanem},
journal= {arXiv preprint arXiv:2309.05490},
year = {2024}
}
备注
Paper Accepted at ICIP 2024 (Oral Presentation)