遥感图像场景分类中单正多标签学习的自适应梯度校准
计算机视觉与模式识别
2026-04-28 v2
摘要
多标签分类 (MLC) 相较于传统单标签分类 (SLC) 更全面地理解遥感 (RS) 图像的语义，但获取完整标注在 MLC 中尤其具有挑战性 due to 其复杂性和高成本。作为一种实用替代方案，单正多标签学习 (SPML) 已涌现，其中每张图像仅标注一个相关标签，模型需恢复完整的标签集合。虽然可扩展，但 SPML 引入了显著的监督模糊性，亟需专门的解决方案来进行模型训练。虽然在计算机视觉领域提出了各种 SPML 方法，但在 RS 语境下的研究仍有限。为填补这一差距，我们提出了一种 novel 的通用 SPML 框架，专为 RS 图像设计即自适应梯度校准 (AdaGC)。AdaGC 采用包含双指数移动平均 (EMA) 模块的梯度校准 (GC) 机制，以实现稳健的伪标签生成。我们引入一种基于训练动力学的理论依据指标，来自适应地触发 GC，这确保了 GC 的有效性，防止其因模型欠拟合或对标签噪声过拟合而受到影响。在两种不同标签噪声类型下的两个基准 RS 数据集上进行的广泛实验表明，AdaGC 在保持强鲁棒性的同时，实现了状态最前 (SOTA) 的性能。代码和数据将发布于 https://github.com/rslab-unitrento/AdaGC。
引用
@article{arxiv.2510.08269,
title = {Adaptive Gradient Calibration for Single-Positive Multi-Label Learning in Remote Sensing Image Scene Classification},
author = {Chenying Liu and Gianmarco Perantoni and Lorenzo Bruzzone and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2510.08269},
year = {2026}
}
备注
14 pages, 7 figures; revised version