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）のための正確な手法の開発は、RSの最も重要な研究テーマの一つである。このような問題に対し、複数の土地被覆クラスラベル（マルチラベル）がアノテーションされた信頼性の高い多数の学習画像を必要とするディープニューラルネットワークの利用が、リモートセンシングの分野で広く普及していることが分かっています。しかし、このようなアノテーションの収集には時間とコストがかかる。ラベリングコストをゼロにするためには、テーマプロダクトやクラウドソーシングのラベルを利用する方法が一般的である。欠点として、これらの手順にはラベルノイズのリスクがあり、MLCアルゴリズムの学習プロセスを歪める可能性がある。文献によれば、ラベルノイズに頑健な手法の多くは、コンピュータビジョン（CV）における単一ラベル分類（SLC）問題のために設計されており、各画像は単一のラベルによって注釈されている。SLCとは異なり、MLCにおけるラベルノイズは以下のようなものに関連する可能性がある。1) 減算型ラベルノイズ（画像中に土地被覆クラスが存在するにもかかわらず、そのラベルが画像に割り当てられない）、2) 加算型ラベルノイズ（画像中に土地被覆クラスが存在しないにもかかわらず、そのラベルが画像に割り当てられる）、および 3) 混合ラベルノイズ（両者の組み合わせ）である。本論文では、3種類のノイズに強いCV SLC法を調査し、RSにおけるマルチラベルノイズシナリオに対してロバストになるように適応させる。実験では、異なるタイプのマルチラベルノイズの影響を調べ、適応した手法を厳密に評価する。この目的のために、我々はまた、不在クラスと存在クラスのラベルが一様な確率で反転する一様ラベルノイズ注入戦略と比較して、運用シナリオをより適切にシミュレートする合成マルチラベルノイズ注入戦略を導入している。さらに、マルチラベルノイズ下でのMLC問題における様々な評価指標の関連性を研究する。

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) has 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, DeepL