多原型半监督分割网络
粗标签训练出细分割
用粗类注释和少量细粒度标注即可实现卫星图像的分割精度逼近全监督基线。
Hao, Chen · 杨文 · Liu, Li · Xia, Gui Song
ISPRS Journal of Photogrammetry and Remote Sensing 2024
参数信息
- mIoU（达到全监督基线的比例）
- 91 %
- 平均UA（达到全监督基线的比例）
- 96 %
- 平均F1分数（达到全监督基线的比例）
- 89 %
- 总体精度（达到全监督基线的比例）
- 93 %
技术优势
标注成本大幅降低
仅需5%的细类标注，即可达到接近全监督基线的性能。
粗标签直接可用
能利用高分辨率图像上的粗类标注进行训练，无需大量精细标注。
类别内差异保留
多原型学习将每个类别建模为多个子原型，保留类内差异，提升分类精度。
应用场景
- 遥感图像分析：将卫星和航拍图像分割成不同地物类别，用于制图和环境监测。
- 计算机视觉：为视觉任务提供高效利用粗标签训练精细分割模型的框架。
- 地理信息系统：生成地物分类图，更新GIS数据库，支持空间分析和规划。
- 智慧城市：自动提取城市地物，如建筑、道路、绿地，辅助城市管理和规划。
- 精准农业：识别农田地块和作物类型，支持精准施肥、估产和农情监测。