从错位与部分标签中学习分割

为大规模提取信息，研究者日益将语义分割技术应用于遥感影像。尽管全监督学习可实现准确的像素级分割，但编制所需的详尽数据集通常成本高昂。因此，许多非城市环境缺乏准确分割所需的真值。这些区域现有的开源基础设施数据可能不精确且非详尽。OpenStreetMaps（OSM）等开源基础设施标注正是此问题的代表：尽管OSM标签提供了道路与建筑足迹的全球洞察，但其噪声与部分标注限制了从中学习的分割算法性能。本文提出一种新颖且可泛化的两阶段框架，可在给定错位与缺失标注的情况下实现改进的像素级图像分割。首先，我们引入对齐校正网络以修正错误配准的开源标签。接着，我们展示一种分割模型——指针分割网络（Pointer Segmentation Network）——其利用校正标签在标注缺失情况下预测基础设施足迹。我们在AIRS数据集上测试序列性能，取得0.79的平均交并比分数；更重要的是，随着标注存在比例的降低，模型性能保持稳定。我们通过将对齐校正网络应用于OSM标签以修正建筑足迹，展示了方法向低质量数据的可迁移性；我们还展示了指针分割网络从中分辨率数据预测加州耕地边界的准确性。总体而言，我们的方法对存在不同数量训练数据的多种应用均具鲁棒性，从而提供了一种从噪声、部分数据中提取可靠信息的方法。