多标签遥感图像分类中CutMix的标签传递策略
计算机视觉与模式识别
2025-11-06 v3
摘要
监督式深度学习方法用于多标签场景分类(MLC)是遥感领域的重要研究方向之一。然而，为大型遥感图像档案收集标注信息耗时且成本高昂。为此，已在遥感领域引入若干数据增强方法。其中，CutMix数据增强技术通过组合两个现有训练图像生成增强图像，尤为有效。然而，CutMix在遥感MLC中的直接应用可能导致增强（即组合）训练图像中类别标签的消失或添加（即标签噪声）。为解决此问题，本文引入标签传递(LP)策略，使CutMix在遥感MLC问题中能有效应用且不受标签噪声影响。为此，我们的LP策略利用像素级类别位置信息更新增强训练图像的多标签。若无参考图（如与训练图像相关的专题产品）可用，我们提议从解释方法提供的类别解释掩模获取类别位置信息。类似地，对两个训练图像配对，我们的LP策略对关联的像素级类别位置信息进行配对，以推导增强图像的更新多标签。实验结果表明，我们的LP策略在一般情形（例如，相较于标准CutMix，mAP宏观提升2%至4%）具有有效性，并且在各种模拟和真实场景中具有鲁健性，尤其是在类别位置信息噪声情况下。代码已公开 https://git.tu-berlin.de/rsim/cutmix_lp。
引用
@article{arxiv.2405.13451,
title = {A Label Propagation Strategy for CutMix in Multi-Label Remote Sensing Image Classification},
author = {Tom Burgert and Kai Norman Clasen and Jonas Klotz and Tim Siebert and Begüm Demir},
journal= {arXiv preprint arXiv:2405.13451},
year = {2025}
}
备注
Accepted at IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing