遥感数据的去偏学习
计算机视觉与模式识别
2023-12-27 v1
摘要
由于大规模人工标注（如 ImageNet）的可用性，深度学习在分析手持设备图像（如消费级照片）方面取得了显著成功。然而，遥感数据缺乏此类广泛的标注，从而限制了监督学习的潜力。为此，我们提出了一种专为遥感数据量身定制的高效半监督方法。我们的方法包含两个关键贡献：首先，通过设计适用于该领域的鲁棒强增强和弱增强，将 FixMatch 框架适配于遥感数据；其次，通过消除由真实标签和模型预测的伪标签共同导致的训练数据不平衡中的偏差，开发了一种有效的半监督学习方法。我们通过大量实验验证了这一简单的半监督框架。在遥感 xView 数据集上，仅使用 30% 的标注数据，该方法相较于监督学习基线取得了 7.1% 的准确率提升，相较于监督学习最先进（SOTA）的 CDS 方法取得了 2.1% 的提升。
引用
@article{arxiv.2312.15393,
title = {Debiased Learning for Remote Sensing Data},
author = {Chun-Hsiao Yeh and Xudong Wang and Stella X. Yu and Charles Hill and Zackery Steck and Scott Kangas and Aaron Reite},
journal= {arXiv preprint arXiv:2312.15393},
year = {2023}
}
备注
Accepted to CVPR 2023 MultiEarth Workshop