多标签遥感图像分类中不同类型标签噪声的影响
计算机视觉与模式识别
2023-01-09 v2
摘要
开发精确的遥感(RS)图像多标签分类(MLC)方法是RS中最重要的研究课题之一。为解决MLC问题，使用深度神经网络在RS中已颇为流行，此类网络需要大量由多个土地覆盖类别标签(多标签)标注的可靠训练图像。然而，收集此类标注耗时且昂贵。一种零标注成本获取标注的常用方法是依赖专题产品或众包标签。其弊端在于，这些流程伴随标签噪声风险，可能扭曲MLC算法的学习过程。文献中，大多数标签噪声鲁棒方法针对计算机视觉(CV)中的单标签分类(SLC)问题设计，其中每幅图像由单一标签标注。与SLC不同，MLC中的标签噪声可关联为：1) 减性标签噪声(图像中存在某土地覆盖类别但未赋予其标签)；2) 加性标签噪声(图像中不存在某类别却赋予其标签)；以及3) 混合标签噪声(二者结合)。本文研究三种不同的噪声鲁棒CV SLC方法，并将其改造以鲁棒应对RS中的多标签噪声场景。实验中，我们研究了不同类型多标签噪声的影响并严格评估了改造后的方法。为此，我们还引入了一种合成多标签噪声注入策略，相较于均匀标签噪声注入策略(以均匀概率翻转不存在与存在类别的标签)，该策略更适于模拟实际场景。此外，我们研究了在含噪多标签下MLC问题中不同评估指标的相关性。
引用
@article{arxiv.2207.13975,
title = {On the Effects of Different Types of Label Noise in Multi-Label Remote Sensing Image Classification},
author = {Tom Burgert and Mahdyar Ravanbakhsh and Begüm Demir},
journal= {arXiv preprint arXiv:2207.13975},
year = {2023}
}
备注
Accepted at the IEEE Transactions on Geoscience and Remote Sensing