使用引导各向异性扩散的弱监督变化检测
图像与视频处理
2022-01-03 v1 计算机视觉与模式识别
机器学习
摘要
由众包标签或开放数据创建的大规模数据集已成为为大尺度学习算法提供训练数据的关键。尽管这些数据更易获取，但数据常常含噪且不可靠，这推动了弱监督学习技术的研究。本文提出一些原创思路，帮助我们在变化检测背景下利用此类数据集。首先，我们提出引导各向异性扩散（GAD）算法，其利用输入图像作为引导进行保边滤波，从而改善语义分割结果。随后我们展示了其在两种为变化检测定制的弱监督学习策略中的潜力。第一种策略是一种迭代学习方法，结合模型优化和使用 GAD 的数据清洗，从开放矢量数据生成的大规模变化检测数据集中提取有用信息。第二种策略将 GAD 纳入一种新颖的空间注意力层，提高了从图像级标签训练以进行像素级预测的弱监督网络的精度。在 4 个不同公开数据集上展示了对最先进方法的改进。
引用
@article{arxiv.2112.15367,
title = {Weakly Supervised Change Detection Using Guided Anisotropic Difusion},
author = {Rodrigo Caye Daudt and Bertrand Le Saux and Alexandre Boulch and Yann Gousseau},
journal= {arXiv preprint arXiv:2112.15367},
year = {2022}
}
备注
Machine Learning Journal 2021. arXiv admin note: substantial text overlap with arXiv:1904.08208