基于对抗空间金字塔网络的遥感图像道路分割
计算机视觉与模式识别
2021-06-09 v1
摘要
遥感图像中的道路提取对广泛应用具有重要意义。由于背景复杂且密度高，现有多数方法难以准确提取出正确且完整的道路网络，且受限于训练数据不足或人工标注成本高。为解决这些问题，我们引入一种新模型，将结构化域适应应用于合成图像生成与道路分割。我们将特征金字塔网络嵌入生成对抗网络，以最小化源域与目标域之间的差异。生成器被学习以产生高质量合成图像，而判别器试图将其区分。我们还提出一种特征金字塔网络，通过从网络所有层提取有效特征以描述不同尺度物体，从而提升所提模型性能。实际上，我们引入了一种新颖的尺度-wise 架构，从多级特征图学习并改善特征的语义。在优化方面，模型通过联合重建损失函数训练，最小化伪造图像与真实图像之间的差异。在三个数据集上的大量实验证明了所提方法在精度与效率上的优越性能。特别地，我们的模型在 Massachusetts 数据集上以 14.89M 参数与 86.78B FLOPs 取得了 78.86 IOU 的当前最优结果，FLOPs 减少 4 倍但精度更高（IOU +3.47%），优于评估中使用的当前最优方法中的顶尖者。
引用
@article{arxiv.2008.04021,
title = {Road Segmentation for Remote Sensing Images using Adversarial Spatial Pyramid Networks},
author = {Pourya Shamsolmoali and Masoumeh Zareapoor and Huiyu Zhou and Ruili Wang and Jie Yang},
journal= {arXiv preprint arXiv:2008.04021},
year = {2021}
}