在小规模训练集上可信赖的监督变化检测
机器学习
2021-04-13 v1 计算机视觉与模式识别
摘要
基于深度学习（DL）的监督变化检测（CD）模型需要大量带标签的训练数据。由于难以收集带标签的多时相数据，CD 文献中更偏好无监督方法。然而，无监督方法无法充分挖掘数据驱动深度学习的潜力，因此它们并非监督方法的绝对替代方案。这促使我们深入审视监督 DL 方法，并研究如何通过最小化带标签训练数据的需求来智能化地将其应用于 CD。为此，本文中我们表明地理上多样化的训练数据集相较于同等规模但多样性较低的数据集可带来显著改进。我们提出了一种简单的置信度指标，用于验证使用小规模带标签数据集训练的监督模型的可信度/置信度。此外，我们表明在监督 CD 模型置信度/可信度较低的测试案例中，无监督方法通常比监督方法产生更好的结果。
引用
@article{arxiv.2104.05443,
title = {Trusting small training dataset for supervised change detection},
author = {Sudipan Saha and Biplab Banerjee and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2104.05443},
year = {2021}
}