地球观测中的半监督语义分割：MiniFrance 套件、数据集分析与多任务网络研究
计算机视觉与模式识别
2020-10-16 v1
摘要
半监督学习技术的发展对于增强机器学习算法的泛化能力至关重要。事实上，原始图像数据丰富而标签稀缺，因此利用无标签输入构建更好的模型十分关键。大型数据库的可用性一直是开发高性能学习算法的关键。尽管机器学习在地球观测中用于推导土地覆盖图等产品发挥着重要作用，该领域的数据集仍然有限，或因地表覆盖规模小、场景种类缺乏或待识别类别受限。我们引入了用于地球观测中半监督语义分割的新型大规模数据集 MiniFrance 套件。MiniFrance 具有若干前所未有的特性：它是大规模的，包含超过 2000 张极高分辨率航拍图像，超过 2000 亿样本（像素）；它是多样的，覆盖法国 16 个城市群，具有不同气候、不同景观以及城市与乡村场景；它是具有挑战性的，考虑具有高层语义的土地利用类别。然而，MiniFrance 最独特的性质是作为该领域唯一专为半监督学习设计的数据集：其训练划分中包含有标签和无标签图像，再现了真实场景。连同该数据集，我们提出了基于外观相似性的数据代表性分析工具，并对 MiniFrance 数据进行了深入研究，证明其适用于学习并在半监督设定下泛化良好。最后，我们提出了基于多任务学习的半监督深度架构及在 MiniFrance 上的首次实验。
引用
@article{arxiv.2010.07830,
title = {Semi-Supervised Semantic Segmentation in Earth Observation: The MiniFrance Suite, Dataset Analysis and Multi-task Network Study},
author = {Javiera Castillo-Navarro and Bertrand Le Saux and Alexandre Boulch and Nicolas Audebert and Sébastien Lefèvre},
journal= {arXiv preprint arXiv:2010.07830},
year = {2020}
}