Multi-Label Noise Robust Collaborative Learning 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 における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 メソッドは、RS で大幅なパフォーマンスの向上を示しています。
ただし、通常は、複数の土地被覆クラス ラベルで注釈が付けられた、信頼性の高い多数のトレーニング画像が必要です。
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ことができる公開されているテーマ別製品を使用して、ラベル付けコストなしで 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 (誤ったラベル アノテーションやラベル アノテーションの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 ロバスト協調学習 (RCML) メソッドを提案します。
RCML は、次の 3 つのメイン 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) グループなげなわモジュール;
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、複数のラベルが付けられたトレーニング イメージ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あり、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ています。
ノイズ分布に関する仮定を行う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種類に関する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により、極端なマルチラベル ノイズ レートの下で提案された RCML の堅牢性が確認されました。
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 multi-labeled training images, while the swap module is devoted to exchange the ranking information between two networks. Unlike the existing methods that make assumptions about 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