基于深度卷积网络与标签校正策略的航拍图像伪监督太阳能电池板制图
图像与视频处理
2021-03-18 v1
摘要
在遥感影像的辅助下，太阳能电池板制图在可再生能源领域受到越来越多的关注。以往大量工作基于经典分类器或卷积神经网络（CNNs）的全监督学习，通常需要像素级真值的手动标注以提供准确的监督。弱监督方法可以接受图像级标注，有助于降低像素级标注的成本。然而，在制图精度上，弱监督与全监督方法之间存在不可避免的性能差距。为解决该问题，我们提出一种带有标签校正策略的伪监督深度卷积网络（PS-CNNLC）用于太阳能电池板制图。它结合了弱监督与强监督的优势，以提供准确的太阳能电池板提取。首先，使用具有图像级标签的正样本和负样本训练卷积神经网络。随后将其用于从随机选取的无标注图像中自动识别更多正样本。正样本的特征图进一步通过梯度加权类激活映射处理，生成初始制图结果，由于这些结果通常粗糙且不完整，被作为初始伪标签。设计了一种渐进式标签校正策略来精炼初始伪标签，并迭代训练端到端目标制图网络，从而提升模型可靠性。所进行的综合评估与消融研究验证了所提 PS-CNNLC 的优越性。
引用
@article{arxiv.2103.09659,
title = {Pseudo Supervised Solar Panel Mapping based on Deep Convolutional Networks with Label Correction Strategy in Aerial Images},
author = {Jue Zhang and Xiuping Jia and Jiankun Hu},
journal= {arXiv preprint arXiv:2103.09659},
year = {2021}
}