用于鲁棒多标签遥感图像分类的噪声自适应正则化
计算机视觉与模式识别
2026-01-14 v1 机器学习
摘要
多标签分类（MLC）可靠方法的开发已成为遥感（RS）领域的重要研究方向。随着 RS 数据规模的不断扩大，标注过程越来越依赖专题产品或众包流程以降低人工标注成本。虽然这些策略具有成本效益，但通常会以部分错误标注的形式引入多标签噪声。在 MLC 中，标签噪声表现为加性噪声、减性噪声或两者结合的混合噪声。以往的工作很大程度上忽略了这一区别，通常将噪声标注作为监督信号，缺乏明确适应不同噪声类型的学习行为机制。为解决这一局限性，我们提出了 NAR，一种噪声自适应正则化方法，在半监督学习框架内显式区分加性噪声和减性噪声。NAR 采用基于置信度的标签处理机制，动态保留高置信度的标签项，暂时停用中等置信度的项，并通过翻转修正低置信度的项。这种选择性监督衰减与早期学习正则化（ELR）相结合，以稳定训练并缓解对损坏标签的过拟合。在加性、减性和混合噪声场景下的实验表明，与现有方法相比，NAR 持续提升了鲁棒性。在减性和混合噪声下的性能提升最为显著，这表明对噪声监督的自适应抑制和选择性修正为 RS MLC 中的噪声鲁棒学习提供了有效策略。
引用
@article{arxiv.2601.08446,
title = {Noise-Adaptive Regularization for Robust Multi-Label Remote Sensing Image Classification},
author = {Tom Burgert and Julia Henkel and Begüm Demir},
journal= {arXiv preprint arXiv:2601.08446},
year = {2026}
}
备注
Submitted to TGRS