基于噪声伪标签的全天候地覆盖分类学习
计算机视觉与模式识别
2025-04-21 v1
摘要
SAR图像语义分割因SAR传感器免受云雾和光照条件影响而受到远程感知领域的广泛关注。然而，SAR图像信息有限且存在显著散斑噪声，导致标注或分割SAR图像备具挑战性。近期研究尝试通过注释配对的光学-SAR图像并利用光学图像分割网络生成伪标签，但此类伪标签充斥着噪声，导致SAR图像分割性能不佳。本文提出一种更精确的伪标签生成方法，融合半监督学习与新颖的图像分辨率对齐增强技术。此外，本文引入对称交叉熵损失以减轻噪声伪标签的影响，并采用一套训练与测试技巧以获得更优的地覆盖结果。实验表明，我们的方法在GRSS数据融合竞赛中取得显著效果，最终夺得冠军。代码已公开于https://github.com/StuLiu/DFC2025Track1.git。
引用
@article{arxiv.2504.13458,
title = {Learning from Noisy Pseudo-labels for All-Weather Land Cover Mapping},
author = {Wang Liu and Zhiyu Wang and Xin Guo and Puhong Duan and Xudong Kang and Shutao Li},
journal= {arXiv preprint arXiv:2504.13458},
year = {2025}
}