PP-LinkNet：通过多阶段训练改进高分辨率卫星影像的语义分割
计算机视觉与模式识别
2020-10-15 v1 机器学习
图像与视频处理
摘要
道路网络与建筑足迹提取对于地图更新、交通管制、城市规划、网约车、灾害响应等诸多应用至关重要。当前道路网络制图既昂贵又劳动密集。近来，深度神经网络在图像分割上的改进已展现出从大规模高分辨率卫星影像中提取道路段的前景。然而，由于缺少构建工业级应用模型所需的足够标注训练数据，重大挑战依然存在。本文中，我们提出一种两阶段迁移学习技术，以改进卫星影像语义分割的鲁棒性，该技术利用了从众包 OpenStreetMap (OSM) 数据自动（无需人工）获取的含噪伪真值掩码。我们进一步提出 Pyramid Pooling-LinkNet (PP-LinkNet)，一种使用 focal loss、poly 学习率与上下文模块的改进型分割深度神经网络。我们通过在三个流行数据集上针对道路提取与建筑足迹检测两项任务所做的评估展示了方法的优势。具体而言，我们在 SpaceNet 建筑足迹数据集上取得 78.19% 平均 IoU，在 SpaceNet 与 DeepGlobe 道路提取数据集上道路拓扑指标分别取得 67.03% 与 77.11%。
引用
@article{arxiv.2010.06932,
title = {PP-LinkNet: Improving Semantic Segmentation of High Resolution Satellite Imagery with Multi-stage Training},
author = {An Tran and Ali Zonoozi and Jagannadan Varadarajan and Hannes Kruppa},
journal= {arXiv preprint arXiv:2010.06932},
year = {2020}
}