使用无监督学习对超高分辨率对地观测图像进行分割
计算机视觉与模式识别
2021-08-11 v2
摘要
语义分割是许多对地观测任务中的关键步骤。训练用于语义分割的深度网络需要大量的像素级标注。对地观测技术应用于各种场景，由于类别因应用而异，因此标记对地观测图像通常需要领域知识，这阻碍了许多对地观测应用中标注训练数据的可用性。为了应对这些挑战，在本文中，我们提出了一种无监督语义分割方法，该方法仅使用单个未标记场景即可进行训练。遥感场景通常很大。该方法利用这一属性从较大场景中采样较小的图像块，并使用深度聚类和对比学习来优化由一系列卷积层以及嵌入式通道注意力组成的轻量级深度模型的权重。在目标图像/场景上进行无监督训练后，该模型自动分离场景中存在的主要类别并生成分割图。在 Vaihingen 数据集上的实验结果证明了该方法的有效性。
引用
@article{arxiv.2108.04222,
title = {Segmentation of VHR EO Images using Unsupervised Learning},
author = {Sudipan Saha and Lichao Mou and Muhammad Shahzad and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2108.04222},
year = {2021}
}