S$^{5}$Mars：面向火星语义分割的半监督学习
计算机视觉与模式识别
2024-04-09 v4
摘要
深度学习已成为火星探测的有力工具。火星地形语义分割是一项重要的火星视觉任务，是 rover 自主规划与安全行驶的基础。然而，大多数深度学习方法为获得良好模型正需要充足且精细、高置信度的数据标注，而此类标注目前匮乏。为解决该问题，我们从数据与方法联合设计的视角提出方案。我们首先提出一个新的数据集 S5Mars，用于火星语义分割的半监督（Semi-SuperviSed）学习，其包含 6K 高分辨率图像，并基于置信度进行稀疏标注，以确保标签高质量。随后为从这一稀疏数据中学习，我们提出一种用于火星图像语义分割的半监督学习（SSL）框架，以从有限标注数据中学习表征。不同于现有大多面向地球图像数据的 SSL 方法，我们的方法考虑了火星数据特性。具体而言，我们首先考察当前广泛使用的自然图像增强对火星图像的影响。基于该分析，我们进而提出两种新颖且有效的火星分割 SSL 增强方法 AugIN 与 SAM-Mix，它们作为强增强以提升模型性能。同时，为充分利用无标注数据，我们引入一种软到硬一致性学习策略，基于预测置信度从不同目标中学习。实验结果表明，我们的方法能显著优于最先进的 SSL 方法。我们提出的数据集可在 https://jhang2020.github.io/S5Mars.github.io/ 获取。
引用
@article{arxiv.2207.01200,
title = {S$^{5}$Mars: Semi-Supervised Learning for Mars Semantic Segmentation},
author = {Jiahang Zhang and Lilang Lin and Zejia Fan and Wenjing Wang and Jiaying Liu},
journal= {arXiv preprint arXiv:2207.01200},
year = {2024}
}
备注
IEEE TGRS 2024