ShadowCast: On-the-Fly Context-Aware Shadow Augmentation for Remote Sensing Image Segmentation
Pubblicata su AIChronos il · fonte del · Yechan Kim, Dongho Yoon, Jongmin Joo, JongHyun Park, Moongu Jeon
ShadowCast è un metodo che affronta il problema delle ombre nelle immagini di telerilevamento invertendo l'approccio tradizionale invece di rimuoverle come degradazioni. Il sistema sintetizza e inietta ombri durante la fase di addestramento utilizzando le maschere degli oggetti elevati estratte direttamente dalle etichette di segmentazione. Stimando una direzione specifica per ogni immagine tramite il probing della luminosità, proietta ombre sintetiche senza richiedere reti apprese o metadati aggiuntivi. Gli esperimenti su benchmark come Vaihingen e Potsdam dimostrano che questa strategia supera le baseline standard.
- Sintetizza ombri iniettandoli durante l'addestramento per migliorare la robustezza della segmentazione semantica.
- Estrae maschere di oggetti elevati (edifici, alberi) direttamente dai label senza bisogno di annotazioni specifiche sulle ombre.
- Stima una direzione delle ombri specifica per ogni immagine analizzando le variazioni di luminosità circostante gli oggetti.
- Non richiede reti dedicate né metadati di acquisizione, riducendo i costi computazionali e infrastrutturali.
- Agisce come un'augmentation stocastica complementare che migliora le prestazioni su architetture state-of-the-art.
Perché conta. Sebbene ShadowCast sia focalizzato sul telerilevamento, il principio di generare dati sintetici per aumentare la robustezza del modello è rilevante anche nello sviluppo locale: permette di simulare condizioni ambientali o rumore (come ombre artificiali) senza raccogliere nuovi dataset costosi. Questo approccio può essere adattato a pipeline di fine-tuning dove l'augmentation dei dati è critica per evitare overfitting su scenari specifici.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.