遥感数据的语义分割及利用潜在学习对辅助任务分类的发掘
计算机视觉与模式识别
2019-12-20 v1
摘要
在本文中，我们利用深度神经网络从三个方面解决遥感数据的语义分割问题。首先，我们专注于从遥感数据中对建筑物进行语义分割，并提出ICT-Net。所提出的网络已在INRIA和AIRS基准数据集上测试，并显示出在Jaccard指数上分别优于所有其他最先进方法超过1.5%和1.8%。其次，由于建筑物分类通常是重建过程的第一步，我们研究了分类精度与重建精度之间的关系。最后，我们提出了简单而引人注目的潜在学习概念及其在深度学习背景下的意义。我们假定，在主要任务（即建筑物分类）上训练的网络无意中正在学习与主要任务互补的辅助任务（例如道路、树木等的分类）。我们在包含多标签真值的ISPRS基准数据集上广泛测试了所提出的技术，并报告了道路平均分类精度（F1分数）为54.29%（SD=17.03）、汽车为10.15%（SD=2.54）、树木为24.11%（SD=5.25）、低矮植被为42.74%（SD=6.62）、杂波为18.30%（SD=16.08）。源代码和补充材料公开于http://www.theICTlab.org/lp/2019ICT-Net/。
引用
@article{arxiv.1912.09216,
title = {Semantic Segmentation from Remote Sensor Data and the Exploitation of Latent Learning for Classification of Auxiliary Tasks},
author = {Bodhiswatta Chatterjee and Charalambos Poullis},
journal= {arXiv preprint arXiv:1912.09216},
year = {2019}
}
备注
17 pages