Synthinel-1 数据集：用于建筑分割的高分辨率合成俯视影像集合
计算机视觉与模式识别
2020-06-19 v1 机器学习
摘要
近来深度学习——即卷积神经网络（CNNs）——在大型俯视（如卫星）影像基准上的建筑分割任务中取得了令人印象深刻的性能。然而，这些基准数据集仅捕获了真实世界俯视影像中可变性的很小一部分，限制了为真实世界应用恰当训练或评估模型的能力。不幸的是，开发捕获哪怕真实世界可变性一小部分的数据集通常由于影像成本与影像的逐像素人工标注而不可行。在本工作中，我们开发了一种快速且廉价地生成大型多样虚拟环境的方法，从中可捕获合成俯视影像以训练分割 CNNs。使用此方法，生成并公开发布了一个合成俯视影像集合——称为 Synthinel-1，带有完整的逐像素建筑标签。我们使用若干基准数据集证明，当用于增广真实世界训练影像时，Synthinel-1 始终有益，尤其当 CNNs 在 novel 地理位置或条件下测试时。
引用
@article{arxiv.2001.05130,
title = {The Synthinel-1 dataset: a collection of high resolution synthetic overhead imagery for building segmentation},
author = {Fanjie Kong and Bohao Huang and Kyle Bradbury and Jordan M. Malof},
journal= {arXiv preprint arXiv:2001.05130},
year = {2020}
}
备注
Preprint of paper accepted for publication at Winter Conference on Applications of Computer Vision (WACV) 2020