面向大规模语义变化检测的多任务学习
计算机视觉与模式识别
2019-08-29 v2 机器学习
摘要
变化检测是遥感中的主要问题之一，对于通过 Sentinel 和 Landsat 等计划可获取的大规模地球观测数据的精确处理与理解至关重要。近来提出的大多数变化检测方法将深度学习引入该领域，但公开可用的变化检测数据集仍极为匮乏，这限制了可提出与测试的方法。本文提出首个大规模高分辨率语义变化检测（HRSCD）数据集，其使得深度学习方法可用于语义变化检测。该数据集包含共配准的 RGB 图像对、像素级变化信息与土地覆盖信息。我们随后提出若干使用全卷积神经网络执行语义变化检测的方法。最值得注意的是，我们给出了一种同时执行变化检测与土地覆盖制图、并利用预测的土地覆盖信息辅助预测变化的网络架构。我们还描述了一种顺序训练方案，使该网络无需设定平衡不同损失函数的超参数即可训练，并取得最佳总体结果。
引用
@article{arxiv.1810.08452,
title = {Multitask Learning for Large-scale Semantic Change Detection},
author = {Rodrigo Caye Daudt and Bertrand Le Saux and Alexandre Boulch and Yann Gousseau},
journal= {arXiv preprint arXiv:1810.08452},
year = {2019}
}
备注
Preprint submitted to Computer Vision and Image Understanding