利用半监督学习进行土地覆盖与土地利用检测
计算机视觉与模式识别
2022-12-22 v1
摘要
半监督学习(SSL)在遥感领域取得了显著进展。为SSL方法寻找大量带标签数据集并不常见,且人工标注数据集昂贵且耗时。此外,准确识别遥感卫星图像比常规图像更为复杂。类不平衡数据集是另一普遍现象,在此类数据上训练的模型会对多数类产生偏见。这随SSL模型欠佳的性能成为关键问题。我们旨在解决未标注数据的标注问题,并同时解决因数据集不平衡导致的模型偏见问题,以取得更好精度。为此,我们创建“人工”标签并训练模型以获得合理精度。我们通过使用分布对齐技术进行重采样来迭代重分配各类。我们使用多种类不平衡卫星图像数据集:EuroSAT、UCM与WHU-RS19。在UCM平衡数据集上,我们的方法分别优于先前方法MSMatch和FixMatch 1.21%与0.6%。对于不平衡的EuroSAT,我们的方法分别优于MSMatch和FixMatch 1.08%与1%。我们的方法显著减少了对标注数据的需求,持续优于替代方法,并解决了由数据集类不平衡引起的模型偏见问题。
引用
@article{arxiv.2212.11211,
title = {Land Cover and Land Use Detection using Semi-Supervised Learning},
author = {Fahmida Tasnim Lisa and Md. Zarif Hossain and Sharmin Naj Mou and Shahriar Ivan and Md. Hasanul Kabir},
journal= {arXiv preprint arXiv:2212.11211},
year = {2022}
}