航空和卫星图像中建筑区域分割的弱监督领域自适应

MMJul, 2020

航空和卫星图像中建筑区域分割的弱监督领域自适应

Weakly Supervised Domain Adaptation for Built-up Region Segmentation in Aerial and Satellite Imagery

Javed Iqbal, Mohsen Ali

TL;DR本文提出了一种新颖的领域自适应算法，以解决卫星和航拍图像所带来的挑战，并在建筑区域分割问题上证明了其有效性，在城市人口分析中占有重要地位，尤其是跨越多个领域，本文通过一种弱监督适应策略，设计一个建筑区域分割编码器解码器网络，其中添加了一个图像分类头以指导适应，该系统能够处理多种卫星和航拍图像数据集，从高分辨率（HR）到非常高分辨率（VHR），并且实验表明其性能优于现有的技术

Abstract

This paper proposes a novel domain adaptation algorithm to handle the challenges posed by the satellite and aerial imagery, and demonstrates its effectiveness on the built-up region segmentation problem. Built-up area estimation is an important component in understanding the human impa

domain adaptation satellite imagery built-up area segmentation weakly-supervised adaptation urban population analysis

发现论文，激发创造

使用生成对抗网络的无监督领域自适应在航空影像语义分割中的应用

本文研究利用生成对抗网络减少领域适应在空中图像语义分割中的影响，并在实验中测试表明，在 Potsdam 领域（源领域）到 Vaihingen 领域（目标领域）的转变中，该方法将整体准确性从 35% 提高到 52%。

May, 2019

遥感卫星图像的领域适应自监督表示学习

本研究提出了一种新颖的域自适应范式，利用遥感卫星数据来研究对比自监督表示学习和知识转移。通过在源数据集上进行自监督对比学习的预训练，并以循环交替的方式在目标数据集上进行下游任务，该方法实现了自监督知识转移，达到了最先进的性能和可解释的表示学习。

Apr, 2023

基于领域适应预训练和复合双主干的细粒度建筑屋顶实例分割

我们提出了一个有效的框架来实现对高分辨率光学卫星图像中个别建筑物的语义解释，通过采用领域自适应预训练策略和复合双支干，以及新的数据增强流程、随机权重平均训练和基于实例分割的模型集成，实现了额外的性能提升。值得注意的是，我们还探讨了光学卫星图像和 SAR 数据的多模态数据融合的潜力。

Aug, 2023

利用拓扑学进行卫星和航空影像中领域自适应道路分割

通过远程感知图像的分割获取道路的精确方面对于自主车辆、城市发展规划以及实现可持续发展目标等很多实际应用非常有用。本研究提出了一种基于拓扑感知的无监督领域自适应方法用于道路分割，通过预测道路骨架作为辅助任务来强制施加拓扑约束，并利用基于连通性的伪标签精化策略过滤噪声伪标签，避免出现孔洞和不连续性。在基准数据集上进行的大量实验表明，该方法在 IoU、F1 分数和 APLS 方面相较于现有的最先进方法有最少 6.6%、6.7% 和 9.8% 的较大增益，尤其在 SpaceNet 到 DeepGlobe 的迁移场景上效果更为显著。

Sep, 2023

遥感图像中的地物覆盖分类的尺度感知适应

本文提出了一个刻度感知对抗学习框架，用于实现跨位置和跨刻度的地表覆盖分类，结果表明该框架在远程感知图像分类中的效果优于现有的领域适应方法。

Dec, 2020

大规模弱监督学习用于卫星图像中的道路提取

使用深度学习从卫星图像中自动提取道路是传统手动制图的可行替代方案，本文提出了利用 OpenStreetMap 道路数据作为弱标签和大规模卫星图像进行预训练语义分割模型的方法，并且利用大规模预训练使模型具有更好的泛化能力。

Sep, 2023

自监督领域无关卫星图像域自适应

通过设计对抗生成损失，在不定义域的情况下，通过自监督域无关领域自适应方法（SS (DA) 2）来解决全球规模卫星图像处理中由地理区域或获取条件等引起的域漂移问题。

Sep, 2023

基于深度神经网络的建筑轮廓分割多任务学习

本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

Sep, 2017

DAugNet：卫星图像语义分割的无监督、多源、多目标和终身域适应

提出了一种新方法 DAugNet，用于无监督的多源、多目标、终身领域自适应卫星图像分类，包括分类器和数据增强器，增强器可以在多个卫星图像之间执行风格转换，每次训练迭代提供分类器多样化的数据，使其对不同的领域数据分布具有鲁棒性，该方法明显优于现有方法。

May, 2020

学习适应语义分割的结构化输出空间

本文提出了一种基于对抗学习的语义分割领域适应方法，该方法采用输出空间的对抗学习，并构建了多层对抗网络来有效地执行不同特征层面的输出空间域适应。在各种域适应设置下进行了大量实验和消融研究，并展示出该方法在准确性和视觉质量方面表现优越。

Feb, 2018