利用半监督方法从卫星影像中映射临时贫民窟
计算机视觉与模式识别
2022-08-10 v1
摘要
全球估计有十亿人生活在贫民窟中，记录并分析这些区域是一项艰巨任务。与常规贫民窟相比，临时贫民窟小而分散且具临时性的特点，使数据收集与标注繁琐耗时。为应对这一临时贫民窟检测的难题，我们提出一种基于半监督深度学习分割的方法，策略是在零标注数据设定下检测初始种子影像。通过分析时间变化自动发现一小批种子样本（本研究中为 32 个），对其进行人工标注以训练分割与表示学习模块。分割模块提取高维影像表示，表示学习模块将影像表示转换为嵌入向量。此后，打分模块利用嵌入向量从大规模未标注影像池中采样图像，并为采样图像生成伪标签。这些带伪标签的采样图像被加入训练集以迭代更新分割与表示学习模块。为分析本技术的有效性，我们构建了一个大规模地理标记的临时贫民窟数据集。该数据集由通过筛选巴基斯坦 12 个 metropolitan 城市（覆盖 8000 平方公里）的六万八千张影像所发现的 200 余处潜在临时贫民窟点位（2.28 平方公里）构成。此外，在相似设定下，我们提出的方法优于若干有竞争力的半监督语义分割基线。代码与数据集将公开可用。
引用
@article{arxiv.2204.04419,
title = {Mapping Temporary Slums from Satellite Imagery using a Semi-Supervised Approach},
author = {M. Fasi ur Rehman and Izza Ali and Waqas Sultani and Mohsen Ali},
journal= {arXiv preprint arXiv:2204.04419},
year = {2022}
}