On the Effects of Different Types of Label Noise in Multi-Label 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。
MLCの問題に対処するために、複数の土地被覆クラスラベル（マルチラベル）で注釈が付けられた多数の信頼できるトレーニング画像を必要とするディープニューラルネットワークの使用がRSで人気があります。
ただし、このような注釈の収集には時間とコストがかかります。
ゼロラベリングコストで注釈を取得するための一般的な手順は、テーマ別の製品またはクラウドソーシングされたラベルに依存することです。
欠点として、これらの手順には、MLCアルゴリズムの学習プロセスを歪める可能性のあるラベルノイズのリスクが伴います。
文献では、ほとんどのラベルノイズロバストメソッドは、コンピュータビジョン（CV）の単一ラベル分類（SLC）問題用に設計されており、各画像には単一ラベルの注釈が付けられています。
SLCとは異なり、MLCのラベルノイズは次のように関連付けることができます。1）減算ラベルノイズ（土地被覆クラスのラベルは、そのクラスが画像に存在する間は画像に割り当てられません）。
2）付加的なラベル-ノイズ（土地被覆クラスのラベルは、指定された画像には存在しませんが、画像に割り当てられます）。
3）混合ラベルノイズ（両方の組み合わせ）。
このホワイトペーパーでは、3つの異なるノイズロバストCV SLC手法を調査し、RSのマルチラベルノイズシナリオにロバストになるように適合させます。
実験中、さまざまなタイプのマルチラベルノイズの影響を調査し、適応した方法を厳密に評価します。
この目的のために、不在クラスと存在クラスのラベルが均一な確率で反転される均一ラベルノイズ注入戦略と比較して、運用シナリオをシミュレートするのに適した合成マルチラベルノイズ注入戦略も紹介します。
さらに、ノイズの多いマルチラベルの下でのMLC問題におけるさまざまな評価メトリックの関連性を調査します。

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. To address MLC problems, the use of deep neural networks that require a high number of reliable training images annotated by multiple land-cover class labels (multi-labels) have been found popular in RS. However, collecting such annotations is time-consuming and costly. A common procedure to obtain annotations at zero labeling cost is to rely on thematic products or crowdsourced labels. As a drawback, these procedures come with the risk of label noise that can distort the learning process of the MLC algorithms. In the literature, most label noise robust methods are designed for single label classification (SLC) problems in computer vision (CV), where each image is annotated by a single label. Unlike SLC, label noise in MLC can be associated with: 1) subtractive label-noise (a land cover class label is not assigned to an image while that class is present in the image); 2) additive label-noise (a land cover class label is assigned to an image although that class is not present in the given image); and 3) mixed label-noise (a combination of both). In this paper, we investigate three different noise robust CV SLC methods and adapt them to be robust for multi-label noise scenarios in RS. During experiments we study the effects of different types of multi-label noise and evaluate the adapted methods rigorously. To this end, we also introduce a synthetic multi-label noise injection strategy that is more adequate to simulate operational scenarios compared to the uniform label noise injection strategy, in which the labels of absent and present classes are flipped at uniform probability. Further, we study the relevance of different evaluation metrics in MLC problems under noisy multi-labels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google