基于最小类混淆迁移的城乡区域土地覆盖分割
计算机视觉与模式识别
2022-12-06 v1
摘要
迁移学习方法被广泛应用于卫星图像分割问题，并且相较于经典监督学习方法提升了性能。在本研究中，我们提出了一种语义分割方法，使我们能够利用迁移学习方法来制作土地覆盖图。我们比较了在针对目标区域或缩放级别数据不足的低分辨率图像上训练的模型。为了提升在目标数据上的性能，我们尝试了使用无监督、半监督和监督迁移学习方法训练的模型，包括来自公共数据集和其他未标记来源的卫星图像。根据实验结果，迁移学习在农村区域提升了3.4% MIoU（平均交并比）的分割性能，在城市区域提升了12.9% MIoU。我们观察到，当两个数据集具有可比较的缩放级别且以相同规则标注时，迁移学习更为有效；否则，将数据作为未标记数据使用的半监督学习更为有效。此外，实验表明HRNet在多类分割中优于建筑物分割方法。
引用
@article{arxiv.2212.02130,
title = {Minimum Class Confusion based Transfer for Land Cover Segmentation in Rural and Urban Regions},
author = {Metehan Yalçın and Ahmet Alp Kındıroğlu and Furkan Burak Bağcı and Ufuk Uyan and Mahiye Uluyağmur Öztürk},
journal= {arXiv preprint arXiv:2212.02130},
year = {2022}
}