Основні поняття
제한된 레이블 데이터로 기존 토지 피복 클래스와 새로운 토지 피복 클래스를 동시에 정확하게 인식하는 일반화된 소량 학습 기반 의미 분할 프레임워크를 제안한다.
Анотація
이 논문은 토지 피복 매핑을 위한 일반화된 소량 학습 기반 의미 분할 프레임워크인 SegLand를 제안한다.
데이터 전처리 단계에서는 불균형한 클래스 분포를 해결하기 위해 가중치 기반 손실 함수와 NovelCutMix 데이터 증강 기법을 사용한다.
하이브리드 의미 분할 구조에서는 다중 기반 학습기와 수정된 Projection onto Orthogonal Prototypes (POP) 네트워크를 결합하여 기존 클래스 인식 성능을 높이고 새로운 클래스를 발견한다.
최종적으로 기반 학습기와 POP 네트워크의 결과를 융합하여 안정적인 기존 클래스 결과와 정확한 새로운 클래스 결과를 도출한다.
실험 결과, 제안 프레임워크는 OpenEarthMap Land Cover Mapping Few-Shot Challenge에서 1위를 차지하며, 제한된 레이블 데이터에서도 새로운 토지 피복 클래스를 효과적으로 발견할 수 있음을 보여준다.
Статистика
토지 피복 매핑에서 기존 클래스의 평균 교차 IoU는 56.27%이다.
토지 피복 매핑에서 새로운 클래스의 평균 교차 IoU는 53.34%이다.
Цитати
"제한된 레이블 데이터로 기존 토지 피복 클래스와 새로운 토지 피복 클래스를 동시에 정확하게 인식하는 일반화된 소량 학습 기반 의미 분할 프레임워크를 제안한다."
"실험 결과, 제안 프레임워크는 OpenEarthMap Land Cover Mapping Few-Shot Challenge에서 1위를 차지하며, 제한된 레이블 데이터에서도 새로운 토지 피복 클래스를 효과적으로 발견할 수 있음을 보여준다."