面向遥感图像分类的多标签噪声鲁棒协同学习
图像与视频处理
2022-10-27 v6 计算机视觉与模式识别
摘要
开发准确的遥感（RS）图像多标签分类（MLC）方法是 RS 中最重要的研究课题之一。基于卷积神经网络（CNNs）的 MLC 方法在 RS 中展现出强劲性能提升。然而，它们通常需要大量标注多个土地覆盖类别标签的可靠训练图像。收集此类数据耗时且昂贵。为解决该问题，可使用公开的主题产品（可能含噪声标签）以零标注成本标注 RS 图像。但多标签噪声（可能与错误和缺失标签标注相关）会扭曲 MLC 方法的学习过程。为解决该问题，我们提出一种新颖的多标签噪声鲁棒协同学习（RCML）方法，以缓解多标签噪声在 CNN 模型训练阶段的负面影响。RCML 基于三个主要模块识别、排序并排除 RS 图像中的噪声多标签：1) 差异模块；2) 组套索模块；3) 交换模块。差异模块确保两个网络学习多样特征，同时产生相同预测。组套索模块任务是检测分配给多标签训练图像的潜在噪声标签，而交换模块致力于在两个网络间交换排序信息。与对噪声分布做假设的现有方法不同，我们提出的 RCML 不对训练集中噪声类型做任何先验假设。在两个多标签 RS 图像档案上的实验证实了所提 RCML 在极端多标签噪声率下的鲁棒性。我们的代码公开于：http://www.noisy-labels-in-rs.org
引用
@article{arxiv.2012.10715,
title = {Multi-Label Noise Robust Collaborative Learning for Remote Sensing Image Classification},
author = {Ahmet Kerem Aksoy and Mahdyar Ravanbakhsh and Begüm Demir},
journal= {arXiv preprint arXiv:2012.10715},
year = {2022}
}
备注
Our code is publicly available at: http://www.noisy-labels-in-rs.org