基于涂鸦弱监督深度学习的遥感图像路面提取
计算机视觉与模式识别
2020-10-27 v1
摘要
利用深度学习方法从遥感图像中提取路面已取得良好性能，而现有多数方法基于全监督学习，需要大量带逐像素标注的训练数据。本文提出一种名为 ScRoadExtractor 的基于涂鸦的弱监督路面提取方法，其从易于获取的涂鸦（如中心线）而非密集标注的路面真值中学习。为将语义信息从稀疏涂鸦传播至未标注像素，我们引入一种路面标签传播算法，其同时考虑路网基于缓冲区的特性以及超像素的颜色与空间信息。由该路面标签传播算法生成的提案掩码用于训练我们设计的双分支编码器-解码器网络，该网络由语义分割分支与辅助边界检测分支组成。我们在三个多样的路面数据集上开展实验，这些数据集由全球高分辨率遥感卫星与航拍图像构成。结果表明，ScRoadExtractor 在交并比（IoU）指标上超出经典涂鸦监督分割方法 20%，并至少超越最优的基于涂鸦弱监督方法 4%。
引用
@article{arxiv.2010.13106,
title = {Scribble-based Weakly Supervised Deep Learning for Road Surface Extraction from Remote Sensing Images},
author = {Yao Wei and Shunping Ji},
journal= {arXiv preprint arXiv:2010.13106},
year = {2020}
}
备注
12 pages, 8 figures, submitted to IEEE Transactions on Geoscience and Remote Sensing