利用主动教学提升遥感图像中的半监督目标检测
计算机视觉与模式识别
2024-03-01 v1
摘要
缺乏对象级标注对遥感图像（RSIs）中的目标检测构成了重大挑战。为解决这一问题，研究者提出了主动学习（AL）和半监督学习（SSL）技术，以提高标注的质量和数量。AL 侧重于选择信息量最大的样本进行标注，而 SSL 则利用未标注样本中的知识。本文提出了一种新的 AL 方法，通过教师 - 学生网络提升遥感图像的半监督目标检测（SSOD），称为 SSOD-AT。该方法 Incorporates 一个感兴趣区域比较模块（RoICM），用于为感兴趣区域（RoIs）生成高置信度的伪标签。同时，利用 RoICM 识别前 K 个不确定图像。为了减少人工标注的前 K 个不确定图像中的冗余，基于不同类别的对象级原型，引入了一种利用已标注和伪标注图像的多样性准则。在 DOTA 和 DIOR 两个流行数据集上的大量实验表明，我们提出的方法优于 RSIs 目标检测的现有最先进（SOTA）方法。与 SOTA 方法的最佳性能相比，所提方法在大多数情况下在整个 AL 过程中实现了 1% 的提升。
引用
@article{arxiv.2402.18958,
title = {Boosting Semi-Supervised Object Detection in Remote Sensing Images With Active Teaching},
author = {Boxuan Zhang and Zengmao Wang and Bo Du},
journal= {arXiv preprint arXiv:2402.18958},
year = {2024}
}