面向深层度量学习驱动的遥感图像检索无标注成本高效主动学习
计算机视觉与模式识别
2024-08-06 v2
摘要
深层度量学习 (DML) 在遥感 (RS) 领域的内容基于图像的检索 (CBIR) 中显示出有效性。大多数 DML 方法依赖大量标注图像来准确学习深度神经网络 (DNN) 的模型参数。然而，这些数据的收集过程耗时且成本高昂。为此，我们提出一种面向 DML 驱动的 RS 内容图像检索的无标注成本高效主动学习 (ANNEAL) 方法。ANNEAL 旨在创建由相似和不相似图像对组成的小而信息丰富的训练集，用于准确学习度量空间。通过结合不确定性和多样性准则来评估图像对的信息性。为评估图像对的不确定性，我们引入两种算法：1) 度量引导的不确定性估计 (MGUE)；2) 二分类器引导的不确定性估计 (BCGUE)。MGUE 算法自动估计一个阈值，将其用作相似图像对与不相似图像对之间的边界。图像对的相似度越接近估计阈值，其不确定性就越大。BCGUE 算法基于分类器对正确相似标签分配的置信度来估计图像对的不确定性。通过基于聚类的策略来评估多样性准则。ANNEAL 将 MGUE 或 BCGUE 算法与聚类策略相结合，以选择最具信息性的图像对，然后由专家标注员将其标记为相似或不相似。这种图像标注方式显著降低了相对于标记具有土地利用/土地覆盖类别标签的图像标注成本。在两个遥感基准数据集上的实验结果表明，我们的方法有效。本工作代码已公开于 \url{https://git.tu-berlin.de/rsim/anneal_tgrs}。
引用
@article{arxiv.2406.10107,
title = {Annotation Cost-Efficient Active Learning for Deep Metric Learning Driven Remote Sensing Image Retrieval},
author = {Genc Hoxha and Gencer Sumbul and Julia Henkel and Lars Möllenbrok and Begüm Demir},
journal= {arXiv preprint arXiv:2406.10107},
year = {2024}
}
备注
Accepted for publication in the IEEE Transactions on Geoscience and Remote Sensing (TGRS)