Apr, 2024

评估切割粘贴数据增强在遥感图像语义分割中的有效性

PDF
TL;DR卫星影像重要用于环境监测和城市规划，本研究探索了一个适用于语义分割的剪切粘贴增强技术，通过利用语义分割标签中的联通组件，从而在训练过程中随机粘贴提取的实例，实验结果表明，这种增强技术显著提升了语义分割模型的平均交并比得分，从 37.9 提升至 44.1，彰显了其在卫星影像中提高模型泛化能力的潜力。
satellite imagerysemantic segmentationland use land cover classificationcut-and-paste augmentationgeneralization capabilities
发现论文，激发创造
  • 遥感图像增强

    本研究提出使用生成模型（GANs）为土地利用与覆盖（LULC）分类任务扩充 EuroSAT 数据集，并探索了使用 DCGAN 及 WGAN-GP 生成图像的效果，发现增加约 10％的数据集对模型性能具有改善作用。研究表明，使用 GAN 可以提高深度分类模型在卫星图像上的泛化能力。

    Jul, 2022

  • 精确剪切粘贴：一种内容和角度感知的道路损伤检测数据增强方法

    我们提出了一种改进的 “剪切 - 粘贴” 增强技术，既考虑了图像中道路的真实位置，又考虑了注入损伤和目标图像之间的透视差异。

    Jun, 2024

  • 利用 U-Net 模型进行卫星图像分割以进行土地覆盖分类

    本研究旨在使用改进的 U-Net 结构的卷积机器学习模型，基于卫星图像创建土地覆盖分类映射，使用 BigEarthNet 卫星图像归档和原始数据集对模型进行训练和测试，结果显示可以提高现有土地分类图的精度和土地覆盖变化检测。

    Mar, 2020

  • 简单的复制粘贴是一种强大的实例分割数据增强方法

    本论文针对计算机视觉中重要的挑战之一 —— 构建数据有效且能处理罕见对象类别的实例分割模型，研究了一种使用数据增强方法的 Copy-Paste 方法，并发现简单的随机粘贴对象机制足以提供良好的性能，并且能够与半监督学习方法相结合获得更好的结果。在 COCO 实例分割任务和 LVIS 评测中，该方法均获得了优异的表现。

    Dec, 2020

  • 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

  • 预处理训练数据提高卷积神经网络基于景观语义分割的准确性和泛化能力

    本文利用不同的数据预处理方法，包括 CNN 培训、语义分割和数据增强等方法，对昆士兰州的湿热热带和阿瑟顿高原进行了土地利用覆盖特征的分类，并发现使用数据增强和缩放是创建可用于不同日期和传感器图像的通用模型的关键。

    Apr, 2023

  • 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

  • 增强型注意力时空分割用于地物覆盖制图

    本文介绍一种基于 UNet 结构，与双向 LSTM 和 Attention 机制相结合的创新架构，旨在共同利用卫星数据的时空性质，更好地识别各种土地覆盖的独特时间模式， 并将其用于全球多个地区的作物测绘。实验结果表明，该方法能够缓解噪声和识别区分性时间段的有效性，并与其他最先进的方法在两个实际数据集上进行定量和定性比较。

    May, 2021

  • 自监督的土地覆盖分割方法

    通过自我监督方法和深度学习，在没有高质量地面真实标签的情况下，可实现对高分辨率土地利用 / 土地覆盖变化图的自动标注，准确率达到约 52%。

    Oct, 2023

  • 从在线地图学习航空图像分割

    本文研究了使用卫星图像语义分割实现自动生成地图的问题。通过使用不同的训练数据集进行对比分析，文章指出采用大规模公开标注来取代部分手动标注可以显著降低成本且不影响语义分割效果

    Jul, 2017