面向航空影像道路提取的自监督预训练

用于航空影像分割的深度神经网络需要大量标注数据，但具有精确标注的高质量航空数据集稀缺且制作成本高昂。为了解决这一局限性，我们提出了一种自监督预训练方法，能够在减少对标注数据依赖的同时提升分割性能。我们的方法采用基于图像修复的预训练，模型学习重建航空影像中的缺失区域，从而在进行道路提取的微调之前捕捉其内在结构。该方法提升了泛化能力，增强了对领域偏移的鲁棒性，并且对模型架构和数据集选择具有不变性。实验表明，我们的预训练显著提升了分割精度，尤其是在低数据量情况下，使其成为航空影像分析的可扩展解决方案。