/ 背景 /
遥感图像的语义分割在城市规划、变化检测和地理信息系统建设中具有重要意义。在过去的几年中，一些研究者利用SIFT信息、纹理信息等特征对超像素进行分类。在多尺度上选取合适的超像素对遥感图像进行分割。在超像素方法的基础上，许多方法可以对遥感图像的不同区域进行分割。然而，由于超像素区域具有相同的标签，很难获得满意的分割结果。
近年来，相关的深度学习方法在语义图像分割方面取得了很大的进展，如FCN、UNet、DeepLab等。在深度学习的基础上，许多遥感图像分割方法也得到了发展。它们可以得到更精确的分割结果。
不幸的是，标记大量的样本是非常昂贵和耗时的，特别是在密集的预测问题，如语义分割。因为我们需要标记每个像素，标记成本是图像级标注难度的60倍以上。最近的研究表明，使用大量未标记数据和少量标记数据的半监督学习（SSL）对分类非常有益。这些方法可以分为一致性方法，伪标签方法，表征学习。一些工作试图将SSL应用于语义分割。naive-student使用一个大模型来生成带有未标记视频序列的伪标签，并应用迭代训练来进一步改进。它们只考虑具有原始输入images的伪标签，没有扰动。最近在CCT中的一项工作考虑对图像添加扰动以进行语义分割，但它们在不同的子解码器中转发具有不同扰动的图像，并加强子解码器与主解码器之间的一致性。因此，这种方法不可避免地会增加内存消耗，难以应用于高分辨率数据。也有一些作品关注生成方法。AdvSemiSeg和S4Gan中的工作都采用了一般对抗网络，并训练了对未标记数据有鉴别损失和对标记数据有监督损失的模型。
/ 我们怎么做 /
我们首先探索了基于self training的半监督语义分割方法。最近，语义
1145
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
