PixelDINO：用于探测永久冻土扰动的半监督语义分割
计算机视觉与模式识别
2024-01-18 v1
摘要
北极永久冻土正因全球气候变化而面临显著变化。由于这些区域大多难以进入，遥感在更好地理解相关过程方面发挥着关键作用，不仅限于局部尺度，而是遍及整个北极地区。在本研究中，我们聚焦于对逆行融滑塌陷（RTS）的遥感探测，这是一种由融化引发的、类似于滑坡的永久冻土扰动。对于此类基于太空的分析，深度学习已成为不可或缺的工具，但有限的标注训练数据仍然是训练精确模型的挑战。为了在无需额外标注数据的情况下提高模型在整个北极地区的泛化能力，我们提出了一种半监督学习方法，用于训练语义分割模型以探测RTS。我们名为PixelDINO的框架在标注数据和未标注数据上并行训练。对于未标注数据，模型将图像分割为自学习的伪类别，并且训练过程确保这些伪类别在输入数据的强增强下保持一致。我们的实验结果表明，PixelDINO相较于有监督基线方法以及现有的半监督语义分割方法均能提升模型性能，突显了其在训练鲁棒模型方面的潜力，这些模型能很好地泛化到未包含在训练数据中的区域。包含本研究代码和其他材料的项目页面可在此处找到：\url{https://khdlr.github.io/PixelDINO/}。
引用
@article{arxiv.2401.09271,
title = {PixelDINO: Semi-Supervised Semantic Segmentation for Detecting Permafrost Disturbances},
author = {Konrad Heidler and Ingmar Nitze and Guido Grosse and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2401.09271},
year = {2024}
}