MSMatch:少标签下的半监督多光谱场景分类
机器学习
2021-08-03 v2 计算机视觉与模式识别
摘要
监督学习技术是遥感中许多任务的核心。不幸的是,这些方法,尤其是近期的深度学习方法,通常需要大量标注数据用于训练。尽管卫星获取大量数据,标注数据往往繁琐、昂贵且需要专家知识。因此,需要减少标注样本需求的改进方法。我们提出 MSMatch,首个在 EuroSAT 和 UC Merced Land Use 基准数据集的场景分类上与监督方法竞争的半监督学习方法。我们测试了 EuroSAT 的 RGB 和多光谱图像,并进行了多种消融实验以识别模型的关键部分。所训练的神经网络在 EuroSAT 上取得了最先进的结果,根据标注训练样本数量的不同,准确率比先前方法最高高出 19.76%。仅每类五个标注样本,我们在 EuroSAT RGB 和多光谱数据集上分别达到 94.53% 和 95.86% 的准确率。在 UC Merced Land Use 数据集上,我们比先前工作最高高出 5.59%,并以五个标注样本达到 90.71%。我们的结果表明 MSMatch 能够大幅降低对标注数据的需求。它很好地迁移到多光谱数据,并应能使当前因缺乏标注数据而不可行的各种应用成为可能。我们在线提供 MSMatch 的源代码以便于轻松复现和快速采用。
引用
@article{arxiv.2103.10368,
title = {MSMatch: Semi-Supervised Multispectral Scene Classification with Few Labels},
author = {Pablo Gómez and Gabriele Meoni},
journal= {arXiv preprint arXiv:2103.10368},
year = {2021}
}
备注
10 pages, 8 figures, submitted to IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing