野火分割标注太贵？上下文感知复制粘贴增强，小数据集也能精准分割！
Multiclass Semantic Segmentation of Wildland Fire Images Using Context-Aware Centralized Copy-Paste Data Augmentation
📖 AI 总结
该研究针对野火图像多类语义分割中标注数据稀缺、人工标注成本高昂的问题，提出了一种上下文感知的集中式复制粘贴数据增强方法。此前的方法通过将源图像中的火簇随机粘贴到目标图像上生成训练样本，但随机放置会产生不符合实际场景的图像，例如火焰出现在沥青路面上。新方法将火焰粘贴位置限制在语义有效的目标区域内，并选择灰烬与植被构成与源上下文最匹配的位置，从而保留目标图像中已有的火焰区域，避免不合理的放置，生成接近真实野火场景的图像。研究通过数值分析及与多种增强方法的对比，采用基于加权和的多目标优化进行评估，结果表明该上下文感知策略在分割性能和场景真实性上均优于其他增强方法，为小样本野火分割任务提供了更可靠的数据增强方案。
🔑 关键词速览
| Centralized Copy-Paste Data Augmentation (CCPDA) | 一种通过将源图像中的火灾区域复制粘贴到目标图像来生成人工训练样本的数据增强方法。 |
| Context-Aware CCPDA | 在CCPDA基础上引入上下文感知约束，将火灾放置限制在语义合理区域并匹配源上下文，以提升增强样本的真实感。 |
| Multiclass Semantic Segmentation | 为图像中每个像素分配多个类别标签（如火焰、灰烬、植被等）的任务，用于精细理解场景。 |
| Weighted Sum-based Multi-Objective Optimization (MOO) | 一种通过加权求和将多个优化目标合并为单一目标进行求解的多目标优化方法，用于综合评估不同增强策略。 |
| Ash-Vegetation Composition | 指图像区域中灰烬与植被两类地物的组成比例，用于衡量目标区域与源火灾场景的上下文相似性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅