用于离天底 aerial 图像建筑物提取的监督域适应
计算机视觉与模式识别
2024-10-28 v2
摘要
建筑物提取——用于城市环境的资产管理和规划——受到训练数据中标签与离天底源影像之间错位的影响。噪声容忍卷积神经网络（CNNs）的师生学习是现有解决方案，但学生网络通常精度较低且无法超越教师性能。本文提出一种在噪声与干净数据集之间编码器-解码器网络（EDNs）的监督域适应（SDA）以解决该问题。EDNs配置了高性能轻量编码器如EfficientNet、ResNeSt和MobileViT。所提方法与现有师生学习方法（如知识蒸馏（KD）和深度互学习（DML））在三个新开发的数据集上进行比较。这些方法针对不同城市建筑（低层、中层、高层和摩天楼）进行评估，其中错位随建筑高度和空间分辨率增加而增大。为稳健的实验设计，对43种轻量CNN、五种优化器、九种损失函数和七种EDN进行基准测试以获得用于SDA的最佳EDN。我们研究中最佳性能EDN的SDA以低层、中层、高层和摩天楼分别高达0.943、0.868、0.912和0.697的F1分数显著优于KD和DML。所提方法和实验发现将有助于训练鲁棒CNN用于建筑物提取。
引用
@article{arxiv.2311.03867,
title = {Supervised domain adaptation for building extraction from off-nadir aerial images},
author = {Bipul Neupane and Jagannath Aryal and Abbas Rajabifard},
journal= {arXiv preprint arXiv:2311.03867},
year = {2024}
}
备注
This work has been submitted to Elsevier for possible publication