[论文解读] 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 34

一句话总结

论文提出一种迭代训练方案，用于清理变化检测的嘈杂的地块级真实标签，并提出一种引导各向异性扩散（GAD）后处理方法，通过从输入图像转移边缘信息来改进语义分割。

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.

研究动机与目标

• 解决从嘈杂的地块级真实标签中学习准确像素级变化检测的挑战。
• 开发一个在网络训练与数据清洗之间交替的迭代训练框架，以提升模型性能。
• 引入引导各向异性扩散（GAD），将引导图像的边缘融入分割预测中，提升边界准确性。

提出的方法

• 提出一种迭代训练方案，在网络训练与基于预测的数据清洗之间交替，以在 HRSCD 中缓解非随机标签噪声（NNAR）。
• 使用三种策略将网络预测与原始参考数据合并，以处理分歧并保留可信的训练样本。
• 引入引导各向异性扩散（GAD），在输入图像（及多个引导图像）的引导下应用边缘保持扩散，以细化分割预测。
• 通过对跨通道和引导的梯度信息进行组合，计算扩散系数，将各向异性扩散扩展到 RGB 和多引导。
• 将 GAD 与 Dense CRF 作为后处理进行比较，并显示在保留边缘的同时，GAD 能平滑错误标签。

实验结果

研究问题

• RQ1 当训练数据包含结构化的、非随机的标签噪声时，迭代训练方法是否能改善变化检测？
• RQ2 将图像引导的边缘保持扩散纳入是否能在像素级变化检测预测上优于简单监督？
• RQ3 将嘈杂的真值与模型预测合并的不同策略如何影响最终性能？
• RQ4 在这种迭代的弱监督设定下，引导型各向异性扩散是否比 Dense CRF 更有效？

主要发现

• 具有数据清洗的迭代训练方案在嘈杂的地块级真实标签上优于简单的监督训练的变化检测。
• 在每次超迭代中引用原始真值数据对于避免性能下降至关重要。
• 在本设定的后期训练阶段，GAD 在定量指标上优于 Dense CRF。
• GAD 能有效地将引导图像的边缘转移到分割预测中，提升边界准确性。
• 将 GAD 与迭代训练方案结合使用，在所测试的方法中获得最佳结果。