Die Studie untersucht die Wirksamkeit einer Cut-and-Paste-Datenerweiterungstechnik für die semantische Segmentierung von Satellitenbildern. Die Methode basiert auf dem Extrahieren und zufälligen Einfügen von Objektinstanzen aus den Segmentierungslabels in die Trainingsbilder, um die Datenvielfalt zu erhöhen.
Die Experimente wurden mit dem DynamicEarthNet-Datensatz und einem U-Net-Modell durchgeführt. Die Ergebnisse zeigen, dass die Cut-and-Paste-Augmentierung die mittlere Intersection-over-Union (mIoU) auf dem Testdatensatz von 37,9 auf 44,1 signifikant verbessert. Dies unterstreicht das Potenzial der Methode, die Generalisierungsfähigkeit von semantischen Segmentierungsmodellen für Satellitenbilder zu verbessern.
Die Studie zeigt, dass die optimale Konfiguration 100 zufällig eingefügte Instanzen ohne zusätzliche Voraugmentierung der Instanzen verwendet. Eine höhere Anzahl von Instanzen führt nicht zwangsläufig zu weiteren Verbesserungen und kann sogar kontraproduktiv sein.
Die visuellen Ergebnisse zeigen, dass die Cut-and-Paste-Augmentierung insbesondere die Vorhersagegenauigkeit für die Klassen "undurchlässige Oberflächen" und "Landwirtschaft" deutlich verbessert.
toiselle kielelle
lähdeaineistosta
arxiv.org
Tärkeimmät oivallukset
by Ionut M. Mot... klo arxiv.org 04-09-2024
https://arxiv.org/pdf/2404.05693.pdfSyvällisempiä Kysymyksiä