利用生成对抗网络克服缺失与不完整模态的建筑足迹分割
计算机视觉与模式识别
2018-08-10 v1
摘要
融合以不同模态、空间分辨率和光谱波段获取的信息已被证明可提高预测精度。因此数据融合是遥感中的关键挑战之一。大多数聚焦于多模态融合的先前工作假设在推理过程中模态始终可用。该假设限制了多模态模型的应用，因为实践中数据收集过程很可能产生缺失、不完整或受损模态的数据。在本文中，我们展示了生成对抗网络（GAN）可有效用于克服模态缺失或不完整所带来的问题。聚焦于缺失模态下建筑足迹的语义分割，我们的方法相较于仅依赖可用模态的相同网络，在交并比（IoU）上实现了约 2% 的提升。
引用
@article{arxiv.1808.03195,
title = {Overcoming Missing and Incomplete Modalities with Generative Adversarial Networks for Building Footprint Segmentation},
author = {Benjamin Bischke and Patrick Helber and Florian König and Damian Borth and Andreas Dengel},
journal= {arXiv preprint arXiv:1808.03195},
year = {2018}
}