基于条件生成对抗网络的中分辨率卫星影像语义分割
计算机视觉与模式识别
2020-12-08 v1 机器学习
图像与视频处理
摘要
卫星影像的语义分割是识别全球模式与检测变化的一种常用方法。大多数最先进的语义分割模型是使用卷积神经网络（CNN）以全监督方式训练的。CNN 的泛化性能对卫星影像而言较差，因为数据在景观类型、图像分辨率以及不同地理与季节标签稀缺性方面可能极为多样。因此，CNN 的性能难以迁移到来自未见区域或季节的图像。受基于条件生成对抗网络（CGAN）的高分辨率卫星影像图像到图像翻译方法启发，我们提出了一种利用中分辨率 Sentinel-2 影像进行土地覆盖分类的 CGAN 框架。我们发现，在未见的不平衡测试数据集上，CGAN 模型以显著优势优于复杂度相近的 CNN 模型。
关键词
引用
@article{arxiv.2012.03093,
title = {Semantic Segmentation of Medium-Resolution Satellite Imagery using Conditional Generative Adversarial Networks},
author = {Aditya Kulkarni and Tharun Mohandoss and Daniel Northrup and Ernest Mwebaze and Hamed Alemohammad},
journal= {arXiv preprint arXiv:2012.03093},
year = {2020}
}
备注
Presented at the AI for Earth Sciences Workshop at NeurIPS 2020