基于含标注误差的不完美折线标签的深度学习地球图像分割
计算机视觉与模式识别
2020-10-05 v1 机器学习
图像与视频处理
摘要
近年来，深度学习技术（如 U-Net、DeepLab）在图像分割中取得了巨大成功。这些模型的性能严重依赖于高质量的真实分割标签。遗憾的是，在许多现实问题中，由于人工标注错误、GPS 误差或以粗分辨率目视解译背景影像，真实分割标签常带有几何标注误差。此类位置误差将显著影响现有深度学习算法的训练性能。现有关于标签误差的研究要么对标签语义中的真实误差建模（假定标签位置正确），要么以简单方形块平移对标签位置误差建模。这些方法无法充分纳入标签位置误差的几何特性。为弥补不足，本文提出一种基于 EM 算法的通用学习框架，以同时更新深度学习模型参数并推断隐藏的真实标签位置。在河流线优化应用中的真实水文数据集上的评估表明，所提框架在分类精度上优于基线方法（假阳性数量减少 67%，假阴性数量减少 55%）。
引用
@article{arxiv.2010.00757,
title = {Deep Learning for Earth Image Segmentation based on Imperfect Polyline Labels with Annotation Errors},
author = {Zhe Jiang and Marcus Stephen Kirby and Wenchong He and Arpan Man Sainju},
journal= {arXiv preprint arXiv:2010.00757},
year = {2020}
}