基于对抗自训练的分阶段无监督域适应用于遥感图像道路分割
计算机视觉与模式识别
2022-02-16 v1
摘要
从遥感图像中进行道路分割是一项具有广泛应用潜力的挑战性任务。深度神经网络通过利用大规模标注数据的力量推动了该领域发展，然而此类数据获取极其昂贵且耗时。一种解决方案是使用廉价的可用数据训练模型，并将其部署以直接处理来自特定应用域的数据。然而，众所周知的域偏移（DS）问题阻碍了训练模型在目标域上的良好泛化。本文提出一种称为 RoadDA 的新型分阶段域适应模型以解决该领域的 DS 问题。在第一阶段，RoadDA 通过基于生成对抗网络（GAN）的域间适应将目标域特征适配以与源域对齐。具体而言，设计了特征金字塔融合模块以避免细长道路的信息丢失并学习判别性与鲁棒特征。此外，为解决目标域内的域内差异，在第二阶段我们提出一种对抗自训练方法。我们利用训练好的生成器生成目标域的伪标签，并基于道路置信度分数将其划分为有标注的简单子集与无标注的困难子集。利用对抗学习将困难子集的特征适配以与简单子集对齐，并重复域内适应过程以逐步提升分割性能。在两个基准上的实验结果表明 RoadDA 能有效减小域间隙并优于当前最优方法。
引用
@article{arxiv.2108.12611,
title = {Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images},
author = {Lefei Zhang and Meng Lan and Jing Zhang and Dacheng Tao},
journal= {arXiv preprint arXiv:2108.12611},
year = {2022}
}