[논문 리뷰] Guided Anisotropic Diffusion and Iterative Learning for Weakly Supervised Change Detection

Rodrigo Caye Daudt, Bertrand Le Saux외 2명|arXiv (Cornell University)|2019. 04. 17.

Remote-Sensing Image Classification참고 문헌 46인용 수 34

한 줄 요약

이 논문은 변화 탐지를 위한 노이즈가 있는 구획 수준 지상 진실을 정제하는 반복 학습 체계와 입력 이미지에서 에지 정보를 전달하여 의미 분할을 개선하는 Guided Anisotropic Diffusion (GAD) 후처리 방법을 제시한다.

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.

연구 동기 및 목표

• 노이즈가 있는 구획 수준 지상 진실 데이터로부터 정확한 픽셀 수준 변화 탐지를 학습하는 문제를 해결한다.
• 모델 성능을 향상시키기 위해 네트워크 학습과 데이터 정제를 번갈아 수행하는 반복 학습 프레임워크를 개발한다.
• 가이드 이미지의 경계를 세분화 예측에 융합하고 경계 정확도를 향상시키기 위해 Guided Anisotropic Diffusion (GAD)를 도입한다.

제안 방법

• HRSCD에서 비랜덤 라벨 노이즈(NNAR)를 완화하기 위해 예측 기반 데이터 정제로 네트워크 학습을 교대하는 반복 학습 체계를 제안한다.
• 합의되지 않는 경우를 다루고 신뢰할 수 있는 학습 샘플을 보존하기 위해 네트워크 예측을 원래 참조 데이터와 세 가지 전략으로 병합한다.
• 입력 이미지(및 다수의 가이드 이미지)에 의해 안내되는 에지 보존 확산을 적용하여 세분화 예측을 정제하는 Guided Anisotropic Diffusion(GAD)을 도입한다.
• 채널과 가이드를 넘어서는 RGB 및 다중 가이드에 대해, 채널과 가이드 전체의 결합 기울기로 확산 계수를 계산하여 비등방성 확산을 확장한다.
• 후처리로 Dense CRF와 GAD를 비교하고, GAD가 잘못된 라벨을 부드럽게 하면서 에지를 더 잘 보존함을 보인다.

실험 결과

연구 질문

• RQ1 구조화된 비랜덤 라벨 노이즈를 포함하는 학습 데이터에서 반복 학습 접근법이 변화 탐지를 개선할 수 있는가?
• RQ2 이미지 기반 에지 보존 확산을 도입하는 것이 단순 감독에 비해 픽셀 수준 변화 탐지 예측을 개선하는가?
• RQ3 노이즈가 있는 지상 진실과 모델 예측을 병합하는 다양한 전략이 최종 성능에 어떻게 영향을 미치는가?
• RQ4 이 반복적 약한 감독 설정에서 Guided Anisotropic Diffusion이 Dense CRF보다 더 효과적인가?

주요 결과

• 데이터 정제가 포함된 반복 학습 체계가 변화 탐지에서 노이즈가 있는 구획 수준 지상 진실에 대한 단순한 감독 학습보다 우수하다.
• 각 하이퍼에폭마다 원래의 지상 진실 데이터에 의존하는 것이 성능 저하를 방지하는 데 필수적이다.
• 이 설정의 후반 학습 단계에서 Guided Anisotropic Diffusion(GAD)가 Dense CRF보다 정량 지표에서 우수하다.
• GAD가 가이드 이미지로부터 경계를 세분화 예측으로 효과적으로 전달하여 경계 정확도를 개선한다.
• 반복 학습 체계와 함께 GAD를 사용하면 실험된 방법들 중에서 최상의 결과를 낸다.