IEEE2022/遥感：Stagewise UnsupervisedDomain Adaptation WithAdversarial Self-Training for Road Segmentat

论文下载
开源代码

0.摘要

遥感图像道路分割是一项具有挑战性的任务，具有广泛的应用潜力。深度神经网络利用大规模标记数据的力量推进了这一领域，然而，获取这些数据非常昂贵和耗时。一种解决方案是使用廉价的可用数据来训练模型，并将其部署到直接处理来自特定应用领域的数据。然而，众所周知的领域转移(DS)问题阻止了训练模型在目标领域上的良好泛化。在本文中，我们提出了一种新的阶段域适应模型，称为RoadDA，以解决该领域的DS问题。在第一个阶段，RoadDA通过基于生成对抗网络(GANs)的域间适应，使目标域特征与源域特征保持一致。设计了一种特征金字塔融合模块，避免了狭长道路的信息丢失，并学习了判别性和鲁棒性特征。此外，为了解决目标域的域内差异，在第二阶段，我们提出了一种对抗性的自训练方法。我们使用训练好的生成器生成目标域的伪标签，并根据道路置信度得分将其划分为易分割和难分割。通过对抗性学习，将硬分割特征与易分割特征相结合，并重复域内适应过程，逐步提高分割性能。两个基准测试的实验结果表明，RoadDA可以有效地减少域间隙，并优于最先进的方法。

1.概述

直接应用基于源域训练的道路分割模型来推断目标道路图像可能会遇到显著的性能下降。这是由训练图像和测试图像之间的领域转移(DS)引起的，因为这些图像可能有不同类型的路面(未铺设的，铺设的，土路)，农村和城市背景区域，等等。因此，寻找一种合适的技术来解决ds问题，并利用现有的标记道路数据对目标RS图像进行自动道路分割，而不需要人工标记，具有重要的意义。
近年来，无监督域适应(unsupervised domain adaptation, UDA)[16]，[17]被引入来解决这一问题。UDA利用标记数据在一个或多个相关源域中使用未标记数据在目标域中执行新任务，旨在缓解DS。虽然UDA在遥感图像分类任务[18]，[19]中得到了广泛的研究，但在道路分割方面却鲜有研究。最近的对抗空间金字塔网络(ASPN)[20]将随机噪声作为合成数据引入源域，并对源域和目标域的输出空间进行对抗域自适应。然而，现有的UDA道路分割方法既没有利用伪标签对目标数据进行微调以提高分割模型的性能，也没有解决数据采集过程中可能导致的目标域内差异问题。作为半监督学习的一种特殊技术，自训练[21]可以作为UDA的一种有效策略。具体来说，它从分类器中生成未标记目标数据的伪标签，并利用它们对模型进行微调，从而使模型适应目标域。此外，改进后的模型可用于伪标签的更新，该过程可重复使用以提高性能。

图2所示。概述