自适应标注增强遥感云理解
计算机视觉与模式识别
2023-11-10 v1
摘要
云分析是天气与气候科学的关键组成部分，影响着灾害管理等诸多领域。然而，在遥感中实现细粒度云分析（如云分割）仍然具有挑战性，其原因在于获取准确标注的固有困难，导致训练数据中存在显著的标注错误。现有方法通常假设存在可靠的分割标注，限制了其整体性能。为应对这一固有局限，我们提出了一种新颖的模型无关云自适应标注（CAL）方法，该方法迭代运行以提升训练数据标注质量，进而改善所学模型的性能。我们的方法首先使用原始标注训练云分割模型，随后引入可训练的像素强度阈值，在训练过程中自适应地标注云训练图像。新生成的标注随后用于微调模型。在多个标准云分割基准上开展的广泛实验证明了我们的方法在显著提升现有分割模型性能方面的有效性。与大量现有替代方法相比，我们的 CAL 方法确立了新的 SOTA 结果。
引用
@article{arxiv.2311.05198,
title = {Adaptive-Labeling for Enhancing Remote Sensing Cloud Understanding},
author = {Jay Gala and Sauradip Nag and Huichou Huang and Ruirui Liu and Xiatian Zhu},
journal= {arXiv preprint arXiv:2311.05198},
year = {2023}
}
备注
Accepted at the TCCML Workshop at NeurIPS 2023