[論文レビュー] Guided Anisotropic Diffusion and Iterative Learning for Weakly Supervised Change Detection

Rodrigo Caye Daudt, Bertrand Le Saux+2 more|arXiv (Cornell University)|Apr 17, 2019

Remote-Sensing Image Classification参考文献 46被引用数 34

ひとこと要約

本論文は、変更検出のノイズの多い parcelレベルの ground truth をクリーンアップする反復学習スキームと、入力画像からエッジ情報を転送してセマンティックセグメンテーションを改善する Guided Anisotropic Diffusion (GAD) の後処理法を提案する。

ABSTRACT

Large scale datasets created from user labels or openly available data have become crucial to provide training data for large scale learning algorithms. While these datasets are easier to acquire, the data are frequently noisy and unreliable, which is motivating research on weakly supervised learning techniques. In this paper we propose an iterative learning method that extracts the useful information from a large scale change detection dataset generated from open vector data to train a fully convolutional network which surpasses the performance obtained by naive supervised learning. We also propose the guided anisotropic diffusion algorithm, which improves semantic segmentation results using the input images as guides to perform edge preserving filtering, and is used in conjunction with the iterative training method to improve results.

研究の動機と目的

• ノイズのある parcel-level の ground truth データからピクセルレベルの正確な変更検出を学習するという課題に対処する。
• モデルの性能を向上させるために、ネットワーク訓練とデータクレンジングを交互に行う反復学習フレームワークを開発する。
• ガイド画像のエッジをセグメンテーション予測に統合し、境界精度を高める Guided Anisotropic Diffusion (GAD) を導入する。

提案手法

• HRSCD における non-random label noise (NNAR) を緩和するため、予測に基づくデータクリーニングとネットワーク訓練を交互に行う反復学習スキームを提案する。
• 意見の相違を処理し、信頼できる学習サンプルを保持するために、元の参照データとネットワーク予測を三つの戦略で統合する。
• 入力画像（および複数のガイド画像）に導かれたエッジを保存する拡散を適用する Guided Anisotropic Diffusion (GAD) を導入し、セグメンテーション予測を精練する。
• チャンネルとガイドを横断する結合勾配情報から拡散係数を計算して、RGB および複数のガイドに対して異方性拡散を拡張する。
• 後処理として Dense CRF と比較し、GAD がエッジをよりよく保持しつつ誤ったラベルを平滑化することを示す。

実験結果

リサーチクエスチョン

• RQ1 訓練データに構造化された非ランダムなラベルノイズが含まれる場合、反復学習アプローチは変更検出を改善できるか？
• RQ2 画像に導かれたエッジ保存拡散を組み込むことは、素朴な教師あり学習と比べてピクセルレベルの変更検出予測を改善するか？
• RQ3 ノイズのある ground truth とモデル予測を統合するさまざまな戦略は、最終的な性能にどのように影響するか？
• RQ4 この反復的弱教師あり設定において、Guided Anisotropic Diffusion は Dense CRF より効果的か？

主な発見

• データクリーニングを伴う反復学習スキームは、ノイズのある parcel-level ground truth に対する素朴な教師あり学習より変更検出で優れている。
• 各 hyperepoch で元の ground truth データを参照することは、性能低下を避けるために必須である。
• この設定の後半の訓練段階で、Guided Anisotropic Diffusion (GAD) は定量的指標で Dense CRF を上回る。
• GAD はガイド画像のエッジをセグメンテーション予測へ効果的に転送し、境界精度を向上させる。
• 反復学習スキームと組み合わせて GAD を使用すると、試験された手法の中で最良の結果を得られる。