用于遥感图像语义分割的低样本学习
计算机视觉与模式识别
2018-03-28 v1 机器学习
摘要
得益于大型标注 RGB 图像数据集的发展，利用深度学习处理 RGB 图像（例如物体识别与检测）的计算机视觉近期取得了进展。相比之下，多光谱图像 (MSI) 和高光谱图像 (HSI) 数据集包含的标注图像要少得多，部分原因是所用传感器的种类繁多。由于生成图像标注非常耗费人力，遥感图像的语义分割（即逐像素分类）的标注尤为有限。低样本学习算法能够在标注数据量较少的情况下进行有效推断。在本文中，我们利用自学特征学习研究用于语义分割的低样本学习。我们引入了 1) 一种用于 HSI 和 MSI 数据的改进自学特征学习框架，以及 2) 一种半监督分类算法。将两者结合使用时，在几乎没有可用标注训练数据的遥感数据集上实现了 SOTA 性能。这些低样本学习框架将减轻人工图像标注负担，并提升遥感图像的语义分割性能。
引用
@article{arxiv.1803.09824,
title = {Low-Shot Learning for the Semantic Segmentation of Remote Sensing Imagery},
author = {Ronald Kemker and Ryan Luu and Christopher Kanan},
journal= {arXiv preprint arXiv:1803.09824},
year = {2018}
}