从大规模SAR与光学影像的区域标签比例中学习作物类型制图
计算机视觉与模式识别
2022-08-25 v1
摘要
近年来，深度学习算法在地球观测（EO）中的应用推动了依赖遥感数据的领域取得实质性进展。然而，鉴于EO中的数据规模，由专家创建带像素级标注的大型数据集成本高昂且极为耗时。在此背景下，先验知识被视为在训练EO深度学习模型时减轻人工标注负担的一种有吸引力的方法。对于某些应用，这些先验 readily available。受对比学习方法在许多计算机视觉任务中用于自监督特征表示学习的巨大成功所启发，本研究提出一种在线深度聚类方法，利用作物标签比例作为先验，基于整个农业区域的政府作物比例数据来学习样本级分类器。我们使用来自巴西两个不同农业区域的两个大型数据集对方法进行评估。大量实验表明，该方法对不同的数据类型（合成孔径雷达与光学图像）具有鲁棒性，在目标区域主要作物类型上报告了更高的精度值。因此，它能够减轻EO应用中大规模图像标注的负担。
引用
@article{arxiv.2208.11607,
title = {Learning crop type mapping from regional label proportions in large-scale SAR and optical imagery},
author = {Laura E. C. La Rosa and Dario A. B. Oliveira and Pedram Ghamisi},
journal= {arXiv preprint arXiv:2208.11607},
year = {2022}
}