AIO2：遥感图像分割中针对不完整标注深度学习的对象标签在线修正
计算机视觉与模式识别
2024-03-05 v1
摘要
尽管遥感数据量日益增加，地球观测领域的深度学习仍面临监督优化所需精确标注缺乏的问题。OpenStreetMap 等众包项目将标注负荷分配给社区，然而，由于标签质量控制不足、标注人员缺乏、自然灾害和城市发展导致的地球表面频繁变化等诸多因素，此类标注不可避免地会产生噪声。我们提出了自适应触发对象级在线修正（AIO2）方法，以解决由不完整标签集引起的标注噪声问题。AIO2 包含一个自适应修正触发器（ACT）模块，可在模型训练欠拟合或过拟合时避免标签修正；以及一种在线对象级修正（O2C）方法，利用空间信息进行自动化标签修改。AIO2 利用均值教师模型增强含噪标签下的训练鲁棒性，既稳定了 ACT 拟合所需的训练精度曲线，又为 O2C 中的修正提供了伪标签。此外，O2C 在线实施，无需在每个训练周期存储更新后的标签。我们在两个具有不同空间分辨率的建筑物足迹分割数据集上验证了该方法。不同建筑物标签噪声程度的实验结果证明了 AIO2 的鲁棒性。源代码将在 https://github.com/zhu-xlab/AIO2.git 提供。
引用
@article{arxiv.2403.01641,
title = {AIO2: Online Correction of Object Labels for Deep Learning with Incomplete Annotation in Remote Sensing Image Segmentation},
author = {Chenying Liu and Conrad M Albrecht and Yi Wang and Qingyu Li and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2403.01641},
year = {2024}
}
备注
This work has been accepted by IEEE Transactions on Geoscience and Remote Sensing (TGRS)