基于冰图的偏标签学习与焦点损失的海冰分类

海冰对北极和地球气候至关重要，需要持续监测和高分辨率制图。然而，手动海冰制图耗时且主观，促使需要自动化的基于深度学习的分类方法。然而，训练这些算法具有挑战性，因为专家生成的冰图（通常用作训练数据）并不映射单一冰类型，而是映射包含多种冰类型的多边形。此外，这些图中各种冰类型的分布经常不平衡，导致对主导类别的性能偏差。在本文中，我们提出了一种新颖的GeoAI方法，通过将其形式化为具有显式置信度得分的偏标签学习任务来处理多标签和类别不平衡。我们将多边形级标签视为候选偏标签，将相应的冰浓度作为置信度得分分配给每个候选标签，并将其与焦点损失集成以训练卷积神经网络（CNN）。我们提出的方法提高了Sentinel-1双极化SAR图像中海冰分类的性能，与使用独热编码标签和分类交叉熵损失的传统训练方法相比，分类准确率从87%提高到92%，加权平均F1分数从90%提高到93%。它还提高了6个海冰类别中4个类别的F1分数。