评估自监督与半监督方法在遥感分割任务上的表现
计算机视觉与模式识别
2022-06-22 v2 机器学习
摘要
自监督与半监督机器学习技术利用无标签数据来提升下游任务性能。这些方法对遥感任务尤其有价值，因为制作带标签的地面真值数据集可能极其昂贵，但可轻易获取大量无标签影像。我们对自监督方法SimCLR与半监督方法FixMatch在三项遥感任务上进行了严格评估：河床分割、土地覆盖制图与洪水制图。我们量化了当原有监督数据集之外的额外影像可用于训练时，这些遥感分割任务的性能提升。我们还设计了实验以测试当测试集发生域偏移、采样不同于训练与验证集的地理区域时这些技术的有效性。我们发现，在标签数据有限且训练数据与验证/测试数据之间存在地理域偏移时，此类技术显著改善了泛化性能。
引用
@article{arxiv.2111.10079,
title = {Evaluating Self and Semi-Supervised Methods for Remote Sensing Segmentation Tasks},
author = {Chaitanya Patel and Shashank Sharma and Valerie J. Pasquarella and Varun Gulshan},
journal= {arXiv preprint arXiv:2111.10079},
year = {2022}
}