消除甲烷 plume 检测中缺失像素引起的表示偏差
计算机视觉与模式识别
2025-10-23 v1
摘要
大多数卫星图像都有系统性缺失像素（即非随机缺失数据（MNAR）），由于诸如云层等因素导致。如果不加以处理，这些缺失像素可能导致自动特征提取模型中的表示偏差。本文展示了标签与甲烷 plume 检测中缺失值数量之间存在虚假关联，这会导致模型将覆盖率（即图像中有效像素百分比）与标签相关联，从而在低覆盖率图像中低估 plume。我们评估了多种插补方法，以消除覆盖率与标签之间的依赖性。此外，我们提出了一种加权抽样方案，用于训练期间，通过在每个覆盖率组内强制类别平衡来消除标签与覆盖率之间的关联。我们的结果表明，抽样和插补都能在不损害平衡准确率、精确率或召回率的情况下显著减少表示偏差。最后，我们在操作场景中评估了使用这些技术消除偏差的模型的能力，证明了消除偏差的模型在低覆盖率图像中检测 plume 的可能性更高。
关键词
引用
@article{arxiv.2510.19478,
title = {Mitigating representation bias caused by missing pixels in methane plume detection},
author = {Julia Wąsala and Joannes D. Maasakkers and Ilse Aben and Rochelle Schneider and Holger Hoos and Mitra Baratchi},
journal= {arXiv preprint arXiv:2510.19478},
year = {2025}
}
备注
Accepted at the MACLEAN workshop at ECML-PKDD 2025