无监督域自适应性构建语义细分网络通过边缘增强的对比学习.
Mengyuan Yang1, Rui Yang1, Shikang Tao1
1Key Laboratory of Virtual Geographic Environment (Nanjing Normal University), Ministry of Education, Nanjing 210023, China; School of Geography, Nanjing Normal University, Nanjing 210023, China; Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China; State Key Laboratory Cultivation Base of Geographical Environment Evolution (Jiangsu Province), Nanjing 210023, China.
概括
我们介绍了CDANet,这是一种新的无监督域调整 (UDA) 方法,用于从高分辨率遥感图像中准确地提取建筑物. CDANet利用对抗性和对比性学习来克服域差异并改善特征提取.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 遥感 遥感 遥感 遥感
背景情况:
- 无监督域调整 (UDA) 对于具有有限标记数据的图像分类至关重要.
- 使用UDA从高分辨率遥感 (HSR) 图像中提取建筑物等人工特征仍然具有挑战性,原因是复杂的成像条件.
研究的目的:
- 提出一种新的UDA方法,CDANet,用于在HSR图像中准确地提取建筑物.
- 通过整合对抗性和对比性学习技术来增强建筑提取能力.
主要方法:
- 对于区域和边缘提取,CDANet采用一个具有双分支的多任务生成器.
- 多层次对抗式学习是通过双重歧视者处理预测输出来实现的.
- 区域pixelwise对比损失在嵌入空间中对准跨域像素特征.
- 使用伪标签生成的自我培训策略解决了目标领域的差异.
主要成果:
- 在WHU,奥斯和马萨诸塞州数据集上的全面实验验证了CDANet的有效性.
- 除研究证实了发电机结构,对比损失和自我训练策略的改进.
- 在F1分数和mIoU方面,CDANet的表现优于像AdaptSegNet,AdvEnt,IntraDA,FDANet和ADRS这样的最先进的方法.
结论:
- CDANet显著提高了HSR图像中的建筑提取精度.
- 拟议的方法有效地解决了无监督领域适应遥感的挑战.
- CDANet提供了一个强大的解决方案,用于提取小型和密集分布的建筑物.
