利用多源弱标注遥感数据鲁棒训练深度网络的新方法
计算机视觉与模式识别
2025-10-08 v1
摘要
深度学习因深度神经网络从复杂数据中提取语义的有效性，在遥感图像场景分类中获得了广泛关注。然而，深度网络需要大量训练样本才能获得良好的泛化能力，并且对训练标签中的错误敏感。这在遥感领域是一个问题，因为高可靠标签的获取成本高且数量有限。然而，许多可靠性较低的标注数据源是可用的，例如过时的数字地图。为了利用更大的数据集训练深度网络，我们提出了将单个或多个弱标注源与少量可靠数据集相结合以生成多源标注数据集的方法，以及一种考虑各源可靠性的新型训练策略。这是通过利用描述各源错误统计的转移矩阵来实现的。转移矩阵被嵌入到标签中，并在训练过程中用于根据相关来源为每个标签赋予权重。所提方法在梯度层面充当加权方案，其中每个样本对不同类别的优化贡献不同的权重。通过在不同数据集上的实验验证了所提方法的有效性。结果证明了所提方法利用不可靠标签源的鲁棒性和能力。
引用
@article{arxiv.2510.05760,
title = {A Novel Technique for Robust Training of Deep Networks With Multisource Weak Labeled Remote Sensing Data},
author = {Gianmarco Perantoni and Lorenzo Bruzzone},
journal= {arXiv preprint arXiv:2510.05760},
year = {2025}
}
备注
16 pages, 9 figures, accepted article