重新审视遥感图像半监督变化检测中的一致性正则化
计算机视觉与模式识别
2022-04-22 v3 人工智能
机器学习
图像与视频处理
摘要
遥感（RS）变化检测（CD）旨在从配准的双时相图像中检测“感兴趣的变化”。现有深度监督 CD 方法的性能归功于用于训练网络的大量标注数据。然而，标注大量遥感图像是劳动密集且昂贵的，尤其是双时相图像，因为它需要人类专家进行逐像素比较。另一方面，由于不断增加的地球观测计划，我们常常可以获取无限的未标注多时相 RS 影像。在本文中，我们提出了一种简单而有效的方法来利用未标注双时相图像中的信息以提升 CD 方法的性能。更具体地，我们提出了一种半监督 CD 模型，其中除了监督的交叉熵（CE）损失外，我们还通过约束给定未标注双时相图像对的变化概率图在对其潜在特征表示相减所得深度特征差异图施加的小随机扰动下保持一致，来构造一个无监督 CD 损失。在两个公开可用 CD 数据集上的实验表明，所提出的半监督 CD 方法即使仅使用少至 10% 的标注训练数据，也能接近监督 CD 的性能。代码见 https://github.com/wgcban/SemiCD。
引用
@article{arxiv.2204.08454,
title = {Revisiting Consistency Regularization for Semi-supervised Change Detection in Remote Sensing Images},
author = {Wele Gedara Chaminda Bandara and Vishal M. Patel},
journal= {arXiv preprint arXiv:2204.08454},
year = {2022}
}
备注
Code available at https://github.com/wgcban/SemiCD 36 pages