随机直方图匹配：一种用于俯视影像无监督域适应的简单增广方法
计算机视觉与模式识别
2023-08-15 v3
摘要
现代深度神经网络（DNNs）在许多俯视（如卫星）影像识别任务上高度准确。然而，视觉域偏移（例如由地理、传感器或大气条件引起的统计变化）仍是一项挑战，导致DNNs在测试于新影像集时准确性不可预测地大幅退化。在本工作中，我们将由成像硬件、光照及其他条件变化引起的域偏移建模为非线性逐像素变换，并开展系统性研究指出，若提供适当的训练数据增广，现代DNNs可对这些类型的变换变得大体鲁棒。然而一般而言，我们并不知道两组影像之间的变换。为克服此问题，我们提出一种快速实时无监督训练增广技术，称为随机直方图匹配（RHM）。我们利用两个用于建筑分割的大型基准数据集进行实验，发现尽管简单，RHM相较于最先进的（state-of-the-art）无监督域适应方法始终产生相似或更优的性能，同时显著更简单且计算更高效。RHM还大幅优于其他广泛用于俯视影像的、同等简单的对比方法。
引用
@article{arxiv.2104.14032,
title = {Randomized Histogram Matching: A Simple Augmentation for Unsupervised Domain Adaptation in Overhead Imagery},
author = {Can Yaras and Kaleb Kassaw and Bohao Huang and Kyle Bradbury and Jordan M. Malof},
journal= {arXiv preprint arXiv:2104.14032},
year = {2023}
}
备注
Includes a main paper (10 pages). This paper is currently undergoing peer review