基于不动点 GAN 的弱监督云检测
计算机视觉与模式识别
2021-11-24 v1 机器学习
摘要
卫星图像中云的 detection 是遥感大数据的一项重要预处理任务。卷积神经网络（CNNs）已大幅推进卫星图像云检测的最优水平，但现有基于 CNN 的方法成本高昂，因其需要大量带昂贵像素级云标签的训练图像。为降低该成本，我们提出用于云检测的不动点 GAN（FCD），一种弱监督方法。仅使用图像级标签训练，我们学习清晰与多云图像间的不动点变换，从而变换中仅云受影响。由此，我们的方法可将卫星图像变换为清晰图像，并对两图之差设阈值，从而预测像素级云标签。此外，我们提出 FCD+，利用 CNN 的标签噪声鲁棒性精炼 FCD 的预测，带来进一步提升。我们在 Landsat-8 Biome 云检测数据集上验证了方法有效性，性能接近使用昂贵像素级标签训练的现有全监督方法。仅用 1% 可用像素级标签微调 FCD+，我们即匹配了全监督方法的性能。
引用
@article{arxiv.2111.11879,
title = {Weakly-Supervised Cloud Detection with Fixed-Point GANs},
author = {Joachim Nyborg and Ira Assent},
journal= {arXiv preprint arXiv:2111.11879},
year = {2021}
}
备注
Accepted to the 3rd IEEE Workshop on Machine Learning for Big Data Analytics in Remote Sensing