用于遥感图像多标签分类的深度主动学习
计算机视觉与模式识别
2023-09-26 v3
摘要
在本快报中，我们引入深度主动学习 (AL) 用于遥感 (RS) 中的多标签分类 (MLC) 问题。特别地，我们研究了若干 AL 查询函数对 RS 图像 MLC 的有效性。与现有的（为单标签分类或语义分割问题定义的）AL 查询函数不同，本文中每个查询函数基于两个准则的评估：i) 多标签不确定性；和 ii) 多标签多样性。多标签不确定性准则与深度神经网络 (DNNs) 正确为每幅图像分配多标签的置信度相关。为评估该准则，我们研究三种策略：i) 学习多标签损失排序；ii) 度量多标签预测的时间差异；和 iii) 度量近似梯度嵌入的幅值。多标签多样性准则与选择一组彼此尽可能多样的图像相关，以防止它们之间的冗余。为评估该准则，我们利用基于聚类的策略。我们将上述每种不确定性策略与基于聚类的多样性策略结合，得到三种不同的查询函数。所有考虑的查询函数都是在 RS 的 MLC 问题框架中首次引入的。在两个基准档案上获得的实验结果表明，这些查询函数在 AL 过程的每次迭代中导致选出高度信息化的样本集。
引用
@article{arxiv.2212.01165,
title = {Deep Active Learning for Multi-Label Classification of Remote Sensing Images},
author = {Lars Möllenbrok and Gencer Sumbul and Begüm Demir},
journal= {arXiv preprint arXiv:2212.01165},
year = {2023}
}
备注
Accepted to IEEE Geoscience and Remote Sensing Letters