通过尼尔曼分配分层抽样主动学习实现高效灾害响应：面向无偏类别比率估计的成本效益方法
机器学习
2024-05-29 v1 应用统计
摘要
随着地面观测技术的快速发展，我们已进入海量卫星遥感数据可获得的时代。然而，大量卫星遥感数据缺乏标签，或标签成本过高，成为限制人工智能技术从事卫星数据挖掘的瓶颈。尤其在以卫星数据评估灾害损毁程度的紧急响应场景中，灾害损毁评估因过度关注特定地理空间内某一建筑的损毁，或更大尺度区域的损毁，而遇到了瓶颈。事实上，在灾害紧急响应的最初阶段，政府部门更关心灾害区域整体损毁率，而非单体建筑损毁，因为这有助于政府决定应急响应等级。我们提出一种创新算法，构建尼尔曼分层随机抽样树用于二分类，并将此方法扩展至多分类问题。通过多数据集和多模型结构的广泛实验，我们的发现表明，该方法在类别比率估计和模型提升方面，优于被动学习和传统主动学习技术，仅需简单抽样的 30%~60% 标注成本。有效解决了传统主动学习策略中的“抽样偏差”挑战，缓解了“冷启动”困境。该方法的有效性通过应用于 Xview2 卫星影像的灾害评估任务得到进一步验证，展示了在实际场景中的实用性。
引用
@article{arxiv.2405.17734,
title = {Towards Efficient Disaster Response via Cost-effective Unbiased Class Rate Estimation through Neyman Allocation Stratified Sampling Active Learning},
author = {Yanbing Bai and Xinyi Wu and Lai Xu and Jihan Pei and Erick Mas and Shunichi Koshimura},
journal= {arXiv preprint arXiv:2405.17734},
year = {2024}
}