基于粗标签的深度多实例学习方法用于高分辨率土地覆盖映射
计算机视觉与模式识别
2025-10-09 v1
摘要
机器学习方法进行高分辨率土地覆盖映射的训练标签的数量和质量是核心问题。针对这一背景，本文利用现有的低分辨率或过时产品收集大量弱标签。在本文中，我们解决了使用高分辨率影像（如Sentinel-2）和弱低分辨率参考数据（如MODIS推导的土地覆盖图）训练土地覆盖分类器的问题。灵感来自深度多实例学习（DMIL）的最新研究成果，我们提出了一种方法，通过训练像素级多类分类器并预测低分辨率标签（即块级分类），其中实际的高分辨率标签是通过灵活的池化层在没有直接监督的情况下隐式学习得到的，这些池化层能够将高分辨率影像中像素的语义与低分辨率参考标签关联起来。随后，重新定义了多实例学习（MIL）问题，以多类和多标签设置进行。在前者中，低分辨率注释表示块中大多数像素的类别；在后者中，注释仅提供我们关于块中一种土地覆盖类别存在的信息的，因而可以同时考虑多个标签，而低分辨率标签仅提供一个标签。因此，分类器采用正负无监督学习（PUL）策略进行训练。在2020年IEEE GRSS数据融合竞赛数据集上的实验结果表明，所提出框架比标准训练策略更有效。
关键词
引用
@article{arxiv.2510.06769,
title = {A deep multiple instance learning approach based on coarse labels for high-resolution land-cover mapping},
author = {Gianmarco Perantoni and Lorenzo Bruzzone},
journal= {arXiv preprint arXiv:2510.06769},
year = {2025}
}
备注
14 pages, 4 figures, accepted conference paper at SPIE REMOTE SENSING, 3-7 September 2023, Amsterdam, Netherlands