基于地球观测的半监督学习多任务超图
计算机视觉与模式识别
2023-08-23 v1 机器学习
摘要
解读世界的方式多种多样且高度相互依赖。我们利用这种复杂依赖关系，引入了一种强大的多任务超图，其中每个节点都是一个任务，穿过超图到达给定任务的不同路径通过形成集成来成为无监督教师，这些集成学习为该任务生成可靠的伪标签。每条超边既是给定任务的集成教师的一部分，也是自监督超图系统的学生。我们将模型应用于当今最重要的问题之一——地球观测，该问题具有高度多任务特性，且常受地面真值数据缺失的困扰。通过在 NASA NEO 数据集上开展跨越 22 年的大量实验，我们展示了多任务半监督方法的价值，其相对于强基线方法和近期工作均取得了一致的提升。我们还表明，该超图能够无监督地适应逐渐的数据分布偏移，并通过其多任务自监督过程可靠地恢复多个观测层长达七年的缺失数据。
引用
@article{arxiv.2308.11021,
title = {Multi-Task Hypergraphs for Semi-supervised Learning using Earth Observations},
author = {Mihai Pirvu and Alina Marcu and Alexandra Dobrescu and Nabil Belbachir and Marius Leordeanu},
journal= {arXiv preprint arXiv:2308.11021},
year = {2023}
}
备注
Accepted in ICCV 2023 Workshops