人工标注标签噪声及其对遥感图像场景分类卷积神经网络的影响
计算机视觉与模式识别
2024-10-28 v2 人工智能
摘要
卷积神经网络(ConvNets)已成功应用于卫星图像场景分类。人工标注的训练数据集对于 ConvNets 执行准确分类至关重要。由于卫星图像的复杂性,人工标注训练数据集中的错误不可避免。然而,遥感图像上真实世界人工标注标签噪声的分布及其对 ConvNets 的影响尚未得到研究。为填补这一研究空白,本研究首次收集了 32 名参与者的真实世界标签,并探究了他们标注的标签噪声如何影响三种代表性 ConvNets(VGG16、GoogleNet 和 ResNet-50)的遥感图像场景分类。我们发现:(1)人工标注标签噪声表现出显著的类别依赖和实例依赖;(2)训练数据中额外增加 1% 的人工标注标签噪声会导致 ConvNets 分类总体精度下降 0.5%;(3)ConvNet 预测的错误模式与参与者标签的错误模式高度相关。为揭示人工标注错误影响 ConvNets 的内在机制,我们进一步将其与三类模拟标签噪声进行比较:均匀噪声、类别依赖噪声和实例依赖噪声。我们的结果表明,人工标注标签噪声对 ConvNets 的影响与所有三类模拟标签噪声均显著不同,而类别依赖和实例依赖共同导致了人工标注标签噪声对 ConvNets 的影响。这些观察结果 necessitate 对噪声标签处理的重新评估,我们期望我们的真实世界标签噪声数据集将促进未来标签噪声学习算法的开发与评估。
引用
@article{arxiv.2305.12106,
title = {Human-annotated label noise and their impact on ConvNets for remote sensing image scene classification},
author = {Longkang Peng and Tao Wei and Xuehong Chen and Xiaobei Chen and Rui Sun and Luoma Wan and Jin Chen and Xiaolin Zhu},
journal= {arXiv preprint arXiv:2305.12106},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication