LoveDA：一种用于域自适应语义分割的遥感土地覆盖数据集
计算机视觉与模式识别
2022-06-01 v6
摘要
深度学习方法在高空间分辨率（HSR）遥感土地覆盖制图方面已展现出有前景的结果。然而，城市与乡村场景可能呈现完全不同的地理景观，这些算法泛化能力的不足阻碍了城市级或国家级制图。现有大多数 HSR 土地覆盖数据集主要推动语义表示学习的研究，从而忽略了模型的可迁移性。本文引入土地覆盖域自适应语义分割（LoveDA）数据集，以推进语义与可迁移学习。LoveDA 数据集包含来自三个不同城市的 5987 幅 HSR 图像，标注对象达 166768 个。与现有数据集相比，LoveDA 数据集涵盖两个域（城市与乡村），由于以下原因带来了相当大的挑战：1）多尺度对象；2）复杂背景样本；3）不一致的类分布。LoveDA 数据集适用于土地覆盖语义分割与无监督域自适应（UDA）任务。相应地，我们在十一种语义分割方法与八种 UDA 方法上对该数据集进行了基准测试。还开展了一些探索性研究，包括多尺度架构与策略、额外背景监督以及伪标签分析，以应对这些挑战。代码与数据可在 https://github.com/Junjue-Wang/LoveDA 获取。
引用
@article{arxiv.2110.08733,
title = {LoveDA: A Remote Sensing Land-Cover Dataset for Domain Adaptive Semantic Segmentation},
author = {Junjue Wang and Zhuo Zheng and Ailong Ma and Xiaoyan Lu and Yanfei Zhong},
journal= {arXiv preprint arXiv:2110.08733},
year = {2022}
}
备注
Accepted by NeurIPS 2021 Datasets and Benchmarks Track