遥感的层次半监督主动学习
计算机视觉与模式识别
2025-12-02 v2
摘要
深度学习模型在遥感领域的性能严重依赖于高质量标记数据的 availability。然而，收集大规模标注数据昂贵且耗时，而巨大的未标记遥感影像却未得到充分利用。为解决这一挑战，我们提出了一种层次半监督主动学习（HSSAL）框架，将半监督学习（SSL）与新颖的层次主动学习（HAL）集成于一个封闭的迭代循环中。在每次迭代中，SSL通过监督学习利用标记数据，通过弱到强的自训练利用未标记数据来细化模型，从而改进特征表示和不确定性估计。基于细化后的表示和未标记样本的不确定性线索，HAL通过分层聚类策略进行样本查询，选择最具信息性的实例，以满足可扩展性、多样性和不确定性三个标准。这种层次化过程确保了样本选择的效率和代表性。在三个基准遥感场景分类数据集上进行的广泛实验，包括UCM、AID和NWPU-RESISC45，结果表明HSSAL consistently优于仅基于SSL或仅基于AL的基线方法。令人惊讶的是，在UCM、AID和NWPU-RESISC45上分别仅使用8%、4%和1%的标记训练数据，HSSAL就能达到接近全监督准确率的95%以上，凸显了其通过充分利用未标记数据的 информ性来实现的标签效率优势。我们的代码将公开提供。
引用
@article{arxiv.2511.18058,
title = {Hierarchical Semi-Supervised Active Learning for Remote Sensing},
author = {Wei Huang and Zhitong Xiong and Chenying Liu and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2511.18058},
year = {2025}
}
备注
Under review