用于少样本遥感图像语义分割的自相关与互相关学习
计算机视觉与模式识别
2023-09-18 v2
摘要
遥感图像语义分割是遥感图像解译的一个重要问题。尽管已经取得了显著进展，但现有的深度神经网络方法仍受限于对大量训练数据的依赖。少样本遥感语义分割旨在仅使用目标类别的少量标注支持图像，从查询图像中学习分割目标对象。大多数现有的少样本学习方法主要源于仅从支持图像中提取信息，从而未能有效解决地理对象在外观和尺度上的巨大差异。为了应对这些挑战，我们提出了一种用于少样本遥感图像语义分割的自相关与互相关学习网络。我们的模型通过考虑支持图像与查询图像之间的自相关和互相关来进行分割预测，从而增强了泛化能力。为了进一步探索查询图像的自相关性，我们提出采用一种经典谱方法，基于图像的基本视觉信息生成类无关的分割掩码。在两个遥感图像数据集上的大量实验证明了我们的模型在少样本遥感图像语义分割中的有效性和优越性。代码和模型可在 https://github.com/linhanwang/SCCNet 获取。
引用
@article{arxiv.2309.05840,
title = {Self-Correlation and Cross-Correlation Learning for Few-Shot Remote Sensing Image Semantic Segmentation},
author = {Linhan Wang and Shuo Lei and Jianfeng He and Shengkun Wang and Min Zhang and Chang-Tien Lu},
journal= {arXiv preprint arXiv:2309.05840},
year = {2023}
}
备注
10 pages, 6 figures. Accepted to Sigspatial 2023. arXiv admin note: text overlap with arXiv:2104.01538 by other authors