面向无偏卫星图像分割的动态类别感知主动学习
计算机视觉与模式识别
2026-04-13 v1
摘要
卫星图像的语义分割在土地覆盖图绘制和环境监测中发挥着关键作用。然而，对大规模高分辨率卫星数据集进行标注代价高昂且耗时，尤其是涵盖广阔地理区域时。与随机标记数据或彻底标注整个数据集相比，主动学习 (AL) 通过借助人类在环 (HITL) 智能选择最具信息性的样本进行标注，这是一种高效替代方案，可在保持高模型性能的同时显著减少标注成本。AL 对大规模或资源受限的卫星应用尤其有益，因为它仅需少量标注样本即可实现高精度分割。尽管如此，标准的 AL 策略通常依赖全局不确定性或多样性度量，缺乏对目标不良表现或稀有类别适应性，导致系统偏差。为克服这些限制，我们提出了一种新型自适应获取函数，称为动态类别感知不确定性主动学习 (Dynamic Class-Aware Uncertainty based Active learning, DCAU-AL)，其优先选择基于实时类别间绩效差距的样本选择，从而克服类别不平衡问题。 proposed DCAU-AL mechanism 持续跟踪每个类别的分割绩效，并动态调整采样权重以聚焦于不良表现或欠代表的类别。大规模实验在 OpenEarth 地覆盖数据集上进行，结果表明 DCAU-AL 在严重类别不平衡情况下显著优于现有 AL 方法，实现卓越的 per-class IoU 和改进的标注效率。
引用
@article{arxiv.2604.08965,
title = {Dynamic Class-Aware Active Learning for Unbiased Satellite Image Segmentation},
author = {Gadi Hemanth Kumar and Athira Nambiar and Pankaj Bodani},
journal= {arXiv preprint arXiv:2604.08965},
year = {2026}
}