VAE-Info-cGAN：结合像素级与特征级地理空间条件输入生成合成图像
计算机视觉与模式识别
2020-12-09 v1 人工智能
机器学习
摘要
由于缺乏类别平衡且多样化的训练数据，为许多计算机视觉的地理空间应用训练鲁棒的有监督深度学习模型十分困难。相反，为许多应用获取足够的训练数据在财务上是不可行的，或者可能根本无法实现，特别是当应用涉及对罕见或极端事件进行建模时。使用生成模型合成数据（和标签），从目标分布中采样并利用图像的多尺度特性，可以作为解决标注数据稀缺的一种低成本方案。为此，我们提出了一种深度条件生成模型，称为 VAE-Info-cGAN，它将变分自编码器（VAE）与条件信息最大化生成对抗网络（InfoGAN）相结合，用于在同时受像素级条件（PLC）和宏观特征级条件（FLC）约束下合成语义丰富的图像。在维度上，PLC 只能在与合成图像的通道维度上变化，旨在作为特定任务的输入。FLC 被建模为生成图像潜在空间中的属性向量，用于控制与目标分布相关的各种特征属性的贡献。我们探索了通过改变选定的二元宏观特征来系统地生成合成图像的属性向量解释。在 GPS 轨迹数据集上的实验表明，所提出的模型能够仅以道路网络的光栅表示为条件，准确地生成不同地理位置的各种时空聚合形式。VAE-Info-cGAN 的主要预期应用是合成数据（和标签）生成，以进行针对性数据增强，从而用于基于计算机视觉的地理空间分析和遥感相关问题建模。
引用
@article{arxiv.2012.04196,
title = {VAE-Info-cGAN: Generating Synthetic Images by Combining Pixel-level and Feature-level Geospatial Conditional Inputs},
author = {Xuerong Xiao and Swetava Ganguli and Vipul Pandey},
journal= {arXiv preprint arXiv:2012.04196},
year = {2020}
}
备注
10 pages, 4 figures, Peer-reviewed and accepted version of the paper published at the 13th ACM SIGSPATIAL International Workshop on Computational Transportation Science (IWCTS 2020)