Self-Supervised Pretraining for Aerial Road Extraction

作者: Rupert Polley, Sai Vignesh Abishek Deenadayalan, J. Marius Zöllner

发布时间: 2025-04-03

来源: arxiv

研究方向: 自动驾驶与遥感图像处理

主要内容

该论文提出了一种基于自监督预训练的空中道路提取方法，旨在解决深度神经网络在空中图像分割任务中需要大量标注数据的问题。

1. 提出了一种基于自监督预训练的空中道路提取方法，通过自监督修复和领域自适应步骤，提高了分割性能并减少了依赖标注数据。

2. 该方法在低数据条件下显著提高了分割精度，使其成为空中图像分析的可行解决方案。

3. 实验结果表明，该方法在多个空中分割模型上均取得了性能提升，证明了其广泛适用性。

1. 自监督修复：利用未标记的空中图像进行自监督修复训练，使模型学习空中图像的内在结构。

2. 领域自适应：通过引入领域自适应步骤，将自监督修复任务与下游道路分割任务之间的领域差距进行弥合。

3. 多阶段训练：将训练过程分为三个阶段，包括自监督修复、监督修复和分割训练。

实验结果表明，该方法在多个空中分割模型上均取得了性能提升，尤其是在低数据条件下。与基线模型相比，该方法在低数据条件下具有更高的鲁棒性，并且能够更好地弥合领域差距。

进一步研究如何提高模型在未见过的城市数据上的性能，以进一步改善模型在领域差异方面的表现。