人机协作实现快速土地覆盖制图

我们提出将人类标注者纳入一个提供即时用户反馈的模型微调系统中。在我们的框架中，人类标注者可以交互式地查询模型对未标注数据的预测、选择要标注的数据，并查看由此产生的对模型预测的影响。这种双向反馈回路使人类能够了解模型如何响应新数据。我们的假设是，这种丰富的反馈使人类标注者能够建立心智模型，从而更好地选择向模型引入哪些偏差。我们将人类选择的点与使用标准主动学习方法选择的点进行比较。我们进一步研究微调方法如何影响人类标注者的表现。我们实现了该框架用于微调高分辨率土地覆盖分割模型。具体而言，我们将一个深度神经网络——该网络训练用于把美国马里兰州的高分辨率航空影像分割为不同土地覆盖类别——微调到美国纽约的一个新空间区域。这种紧密回路将算法与人类操作员转变为一个混合系统，能够比传统工作流更高效地生成大面积土地覆盖图。我们的框架适用于地理空间机器学习场景，其中未标注数据几乎无限供给，而仅靠人力实际可标注的只是其中极小一部分。