Multi-Label Noise Robust Collaborative Learning Method for Remote Sensing Image Classification

要約

リモートセンシング（RS）画像のマルチラベル分類（MLC）の正確な方法の開発は、RSの最も重要な研究トピックの1つです。
畳み込みニューラルネットワーク（CNN）に基づくMLC手法は、RSで強力なパフォーマンスの向上を示しています。
ただし、通常、複数の土地被覆クラスラベルで注釈が付けられた信頼性の高いトレーニング画像が多数必要です。
このようなデータの収集には、時間とコストがかかります。
この問題に対処するために、ノイズの多いラベルを含む可能性のある公開されているテーマ別製品を使用して、ラベル付けコストをゼロにしてRS画像に注釈を付けることができます。
ただし、マルチラベルノイズ（ラベル注釈の誤りや欠落に関連している可能性があります）は、MLCメソッドの学習プロセスを歪める可能性があります。
この問題に対処するために、CNNモデルのトレーニングフェーズ中のマルチラベルノイズの悪影響を軽減するための新しいマルチラベルノイズロバスト共学習（RCML）法を提案します。
RCMLは、次の3つの主要モジュールに基づいて、RS画像内のノイズの多いマルチラベルを識別、ランク付け、および除外します。1）不一致モジュール。
2）グループラッソモジュール。
3）スワップモジュール。
不一致モジュールは、同じ予測を生成しながら、2つのネットワークが多様な機能を学習することを保証します。
グループラッソモジュールのタスクは、マルチラベルのトレーニング画像に割り当てられた潜在的にノイズの多いラベルを検出することです。一方、スワップモジュールは、2つのネットワーク間でランキング情報を交換することに専念します。
ノイズ分布について仮定する既存の方法とは異なり、提案されたRCMLは、トレーニングセット内のノイズのタイプについて事前の仮定を行いません。
2つのマルチラベルRS画像アーカイブで実施された実験は、極端なマルチラベルノイズ率の下で提案されたRCMLの堅牢性を確認します。
私たちのコードは、http：//www.noisy-labels-in-rs.orgで公開されています。

要約(オリジナル)

The development of accurate methods for multi-label classification (MLC) of remote sensing (RS) images is one of the most important research topics in RS. The MLC methods based on Convolutional Neural Networks (CNNs) have shown strong performance gains in RS. However, they usually require a high number of reliable training images annotated with multiple land-cover class labels. Collecting such data is time-consuming and costly. To address this problem, the publicly available thematic products, which can include noisy labels, can be used to annotate RS images with zero-labeling cost. However, multi-label noise (which can be associated with wrong and missing label annotations) can distort the learning process of the MLC methods. To address this problem, we propose a novel multi-label noise robust collaborative learning (RCML) method to alleviate the negative effects of multi-label noise during the training phase of a CNN model. RCML identifies, ranks and excludes noisy multi-labels in RS images based on three main modules: 1) the discrepancy module; 2) the group lasso module; and 3) the swap module. The discrepancy module ensures that the two networks learn diverse features, while producing the same predictions. The task of the group lasso module is to detect the potentially noisy labels assigned to the multi-labeled training images, while the swap module is devoted to exchange the ranking information between two networks. Unlike existing methods that make assumptions about the noise distribution, our proposed RCML does not make any prior assumption about the type of noise in the training set. The experiments conducted on two multi-label RS image archives confirm the robustness of the proposed RCML under extreme multi-label noise rates. Our code is publicly available at: http://www.noisy-labels-in-rs.org

arxiv情報

提供元, 利用サービス

arxiv.jp, Google