基于深度生成模型的数字高程模型空洞填充
机器学习
2019-10-23 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
近年来，机器学习算法的进步、廉价的计算资源以及大数据的可用性推动了各应用领域的深度学习革命。特别地，图像分析中的监督学习技术在分类、定位与分割等任务上取得了超越人类的表现，而基于日益先进的生成模型的 unsupervised learning 技术已被用于生成与真实图像难以区分的高分辨率合成图像。本文将一种最先进的机器学习图像修复模型，即基于全卷积架构与上下文注意力机制的 Wasserstein 生成对抗网络（WGAN），迁移至数字高程模型（DEM）环境，以生成语义合理的用于填充空洞的数据。训练、测试与实验在挪威不同区域的 GeoTIFF 数据上进行，该数据由挪威测绘局公开提供。
引用
@article{arxiv.1811.12693,
title = {Void Filling of Digital Elevation Models with Deep Generative Models},
author = {Konstantinos Gavriil and Georg Muntingh and Oliver J. D. Barrowclough},
journal= {arXiv preprint arXiv:1811.12693},
year = {2019}
}
备注
5 pages; 4 figures; corrected names in references; clarifications regarding the two generators in the paper; added reference (Borji 2018) on GAN evaluation measures; extended future work discussion; changed (Fig. 4.f) to show a failure case