土地覆盖分类中置信度引导的半监督学习
计算机视觉与模式识别
2023-06-01 v2
摘要
半监督学习已得到充分发展，通过利用大量未标记数据来帮助降低人工标注成本。尤其在土地覆盖分类应用中，大规模影像中的像素级人工标注劳动密集、耗时且昂贵。然而，现有半监督学习方法对训练期间伪标签的质量关注有限，尽管训练数据质量是决定网络性能的关键因素之一。为填补此空白，我们提出一种置信度引导的半监督学习（CGSSL）方法，以利用高置信度伪标签并降低低置信度伪标签对土地覆盖分类的负面影响。同时，该半监督学习方法使用多种网络架构以增加伪标签的多样性。相较于经典半监督学习方法，所提半监督学习方法显著提升了土地覆盖分类性能，甚至在基准Potsdam土地覆盖数据集的完整标记影像上优于全监督学习。
引用
@article{arxiv.2305.10344,
title = {Confidence-Guided Semi-supervised Learning in Land Cover Classification},
author = {Wanli Ma and Oktay Karakus and Paul L. Rosin},
journal= {arXiv preprint arXiv:2305.10344},
year = {2023}
}