DDF: A Novel Dual-Domain Image Fusion Strategy for Remote Sensing Image Semantic Segmentation with Unsupervised Domain Adaptation

要約

リモート センシング画像のセマンティック セグメンテーションは、ラベルのないデータが大量にあるため、困難かつホットな問題です。
教師なしドメイン アダプテーション (UDA) は、ターゲット ドメインから未分類の情報を組み込む場合に有利であることが証明されています。
ただし、ソース ドメインとターゲット ドメインで UDA モデルを個別に微調整しても、結果への影響は限定的です。
この論文では、ハイブリッド トレーニング戦略と、元の画像、変換画像、および中間ドメイン情報を効果的に利用する新しいデュアルドメイン画像融合戦略を提案します。
さらに、擬似ラベルの精度を高めるために、擬似ラベル領域固有の重み付け戦略を提案します。
私たちのアプローチの有効性は、ISPRS ファイヒンゲンおよびポツダムのデータセットに対して実施された広範なベンチマーク実験とアブレーション研究によって実証されています。

要約(オリジナル)

Semantic segmentation of remote sensing images is a challenging and hot issue due to the large amount of unlabeled data. Unsupervised domain adaptation (UDA) has proven to be advantageous in incorporating unclassified information from the target domain. However, independently fine-tuning UDA models on the source and target domains has a limited effect on the outcome. This paper proposes a hybrid training strategy as well as a novel dual-domain image fusion strategy that effectively utilizes the original image, transformation image, and intermediate domain information. Moreover, to enhance the precision of pseudo-labels, we present a pseudo-label region-specific weight strategy. The efficacy of our approach is substantiated by extensive benchmark experiments and ablation studies conducted on the ISPRS Vaihingen and Potsdam datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google