用于改进卫星图像半监督语义分割的主动学习
计算机视觉与模式识别
2021-10-18 v1
摘要
遥感数据对于从监测森林火灾和森林砍伐到追踪城市化等应用至关重要。这些任务大多需要密集的像素级标注，以便模型从这些卫星图像可用的有限标注数据中解析视觉信息。由于该领域缺乏高质量的标注训练数据，有必要关注半监督技术。这些技术从少量标注样本中生成伪标签，用于扩充标注训练集。这使得拥有高度代表性和多样性的标注训练集变得必要。因此，我们提出使用基于主动学习的采样策略来选择一组高度具代表性的标注训练数据。我们在两个包含卫星图像的现有语义分割数据集上展示了我们提出方法的有效性：UC Merced 土地利用分类数据集和 DeepGlobe 土地覆盖分类数据集。我们报告称，在仅有2%标注数据的情况下，使用主动学习采样策略相较于对少量标注训练数据的随机采样，mIoU提高了27%。
引用
@article{arxiv.2110.07782,
title = {Active Learning for Improved Semi-Supervised Semantic Segmentation in Satellite Images},
author = {Shasvat Desai and Debasmita Ghose},
journal= {arXiv preprint arXiv:2110.07782},
year = {2021}
}
备注
Accepted to Winter Conference on Applications of Computer Vision 2022 (WACV 2022)