弱监督下的光学遥感图像理解：概念、方法与展望
计算机视觉与模式识别
2022-04-21 v1
摘要
近年来，监督学习已广泛用于光学遥感图像理解的各项任务，包括遥感图像分类、像素级分割、变化检测与目标检测。基于监督学习的方法需要大量高质量训练数据，且其性能高度依赖于标签质量。然而，在实际遥感应用中，获取带有高质量标签的大规模数据集通常昂贵且耗时，导致监督信息不足。在某些情况下，只能获得粗粒度标签，造成精确监督的缺失。此外，人工获得的监督信息可能有误，导致准确监督的缺失。因此，遥感图像理解常面临不完整、不精确和不准确的监督信息问题，这将影响遥感应用的广度与深度。为解决上述问题，研究者已在弱监督下探索了遥感图像理解中的各种任务。本文总结了弱监督学习在遥感领域的研究进展，包括三种典型弱监督范式：1）不完整监督，仅训练数据的一个子集被标注；2）不精确监督，仅给出训练数据的粗粒度标签；3）不准确监督，所给标签并非总是真实正确。
引用
@article{arxiv.2204.09120,
title = {Optical Remote Sensing Image Understanding with Weak Supervision: Concepts, Methods, and Perspectives},
author = {Jun Yue and Leyuan Fang and Pedram Ghamisi and Weiying Xie and Jun Li and Jocelyn Chanussot and Antonio J Plaza},
journal= {arXiv preprint arXiv:2204.09120},
year = {2022}
}