通过对比学习和不确定性估计提升哨卫2卫星图像的主动学习效率
计算机视觉与模式识别
2024-06-26 v2 机器学习
摘要
本文引入一种新方法，旨在通过集成半监督学习（SSL）与主动学习策略，提高卫星图像分析中的标签效率。该方法利用对比学习结合蒙特卡洛 Dropout（MC Dropout）进行不确定性估计，特别关注以欧洲卫星中心（Eurosat）数据集分析的Sentinel-2卫星图像。我们探讨了该方法在类别分布平衡和不平衡场景下的有效性。我们的结果表明，所提出的方法在该领域几种流行方法之上表现更好，在保持高分类准确率的同时，显著节省了标签工作量。这些发现凸显了该方法在可扩展且高性价比的卫星图像分析中的潜力，尤其适用于广泛的环境监测和土地利用分类任务。
引用
@article{arxiv.2405.13285,
title = {Enhancing Active Learning for Sentinel 2 Imagery through Contrastive Learning and Uncertainty Estimation},
author = {David Pogorzelski and Peter Arlinghaus and Wenyan Zhang},
journal= {arXiv preprint arXiv:2405.13285},
year = {2024}
}