基于监督变分自编码器的遥感标签噪声鲁棒图像表示学习
计算机视觉与模式识别
2023-06-16 v1
摘要
由于公开可用的专题图和众包数据，可以零成本收集遥感(RS)图像标注来训练深度神经网络(DNN)。然而，此类标注来源可能增加训练数据中包含噪声标签的风险，导致不准确的RS图像表示学习(IRL)。为解决此问题，本文提出一种标签噪声鲁棒IRL方法，旨在防止噪声标签对IRL的干扰，且与RS中考虑的学习任务无关。为此，所提方法将监督变分自编码器(SVAE)与任意种类的DNN相结合。这是通过基于图像特征定义变分生成过程来实现的。这使我们能够根据从SVAE和所考虑DNN的任务头获得的损失值来定义每个训练样本对IRL的重要性。然后，所提方法在IRL过程中对带有噪声标签的图像赋予较低重要性，而对带有正确标签的图像赋予较高重要性。实验结果表明，与应用于RS图像的知名标签噪声鲁棒IRL方法相比，所提方法有效。所提方法的代码公开于 https://git.tu-berlin.de/rsim/RS-IRL-SVAE。
引用
@article{arxiv.2306.08575,
title = {Label Noise Robust Image Representation Learning based on Supervised Variational Autoencoders in Remote Sensing},
author = {Gencer Sumbul and Begüm Demir},
journal= {arXiv preprint arXiv:2306.08575},
year = {2023}
}
备注
Accepted at IEEE International Geoscience and Remote Sensing Symposium (IGARSS) 2023. Our code is available at https://git.tu-berlin.de/rsim/RS-IRL-SVAE