基于特征与输出一致性训练的半监督建筑物足迹生成
计算机视觉与模式识别
2022-06-15 v1
摘要
准确可靠的建筑物足迹地图对城市规划和监测至关重要，现有方法大多依赖卷积神经网络（CNN）进行建筑物足迹生成。然而，这些方法的一个局限在于，它们需要大量标注样本提供的强监督信息来进行网络学习。当前最先进的采用一致性训练的半监督语义分割网络，通过利用大量无标签数据，促使模型在数据扰动下保持输出一致性，有助于解决这一问题。考虑到特征图中也编码了丰富信息，我们提出在无标签样本的端到端网络训练中，整合特征和输出的一致性，从而施加额外的约束。先前的半监督语义分割网络建立了聚类假设，即决策边界应位于低样本密度区域附近。在本工作中，我们观察到，对于建筑物足迹生成，低密度区域在编码器内部的中间特征表示中比在编码器的输入或输出中更为明显。因此，我们提出一种策略，将扰动施加于编码器内部的中间特征表示，该策略考虑了输入遥感影像的空间分辨率和研究区域内单体建筑物的平均尺寸。所提方法在三个不同分辨率的数据集上进行了评估：Planet 数据集（3 米/像素）、Massachusetts 数据集（1 米/像素）和 Inria 数据集（0.3 米/像素）。实验结果表明，所提方法能够很好地提取更完整的建筑物结构，并减少遗漏误差。
引用
@article{arxiv.2205.08416,
title = {Semi-Supervised Building Footprint Generation with Feature and Output Consistency Training},
author = {Qingyu Li and Yilei Shi and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2205.08416},
year = {2022}
}