Semi-Supervised Domain Adaptation for Semantic Segmentation of Roads from Satellite Images

要約

この論文では、衛星画像から道路を抽出するための半教師付きセグメンテーション手法の予備調査結果を提示します。
人工ニューラル ネットワークと画像セグメンテーション手法は、衛星画像から道路データを抽出する最も成功した手法の 1 つです。
ただし、これらのモデルで高い精度を達成するには、さまざまな地域からの大量のトレーニング データが必要です。
このデータの量や質を高める必要がある場合、さまざまなソースから取得した注釈付きデータから知識を転送することでディープ ニューラル ネットワークをトレーニングする標準的な方法です。
本研究では、半教師あり学習法を用いてパスセグメンテーションを行う方法を提案します。
擬似ラベリングと最小クラス混同法に基づく半教師付きフィールド適応法が提案されており、対象のデータセットでパフォーマンスが向上することが観察されています。

要約(オリジナル)

This paper presents the preliminary findings of a semi-supervised segmentation method for extracting roads from sattelite images. Artificial Neural Networks and image segmentation methods are among the most successful methods for extracting road data from satellite images. However, these models require large amounts of training data from different regions to achieve high accuracy rates. In cases where this data needs to be of more quantity or quality, it is a standard method to train deep neural networks by transferring knowledge from annotated data obtained from different sources. This study proposes a method that performs path segmentation with semi-supervised learning methods. A semi-supervised field adaptation method based on pseudo-labeling and Minimum Class Confusion method has been proposed, and it has been observed to increase performance in targeted datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google