基于生成对抗网络的无监督域自适应用于航拍图像语义分割
计算机视觉与模式识别
2019-06-10 v1
摘要
航拍图像分割在城市区域监控与场景理解方面具有巨大潜力，它为自动报告居民区中发生的不同事件提供了一种手段，这显著推动了公共安全与交通管理应用的发展。在卷积神经网络方法被广泛采用后，若有鲁棒的数据集，语义分割算法的准确率可轻松超过 80%。尽管取得了这一成功，将预训练的分割模型部署到训练集中未包含的新城市进行勘测时，准确率会显著下降。这是由于模型训练所用的源数据集与新城市图像的新目标域之间存在域偏移。本文针对此问题，考虑了航拍图像语义分割中的域自适应挑战。我们设计了一种利用生成对抗网络（GANs）来减小域偏移影响的算法。在实验中，我们在国际摄影测量与遥感学会（ISPRS）语义分割数据集上测试了所提方法，发现当从 Potsdam 域（视为源域）转到 Vaihingen 域（视为目标域）时，我们的方法将总体准确率从 35% 提升至 52%。此外，该方法能有效恢复因传感器变化而反转的类别。具体而言，它将因传感器变化而反转的类别的平均分割准确率从 14% 提升至 61%。
引用
@article{arxiv.1905.03198,
title = {Unsupervised Domain Adaptation using Generative Adversarial Networks for Semantic Segmentation of Aerial Images},
author = {Bilel Benjdira and Yakoub Bazi and Anis Koubaa and Kais Ouni},
journal= {arXiv preprint arXiv:1905.03198},
year = {2019}
}
备注
submitted to a journal