Deep Active Learning for Multi-Label Classification of Remote Sensing Images

要約

本レターでは、リモートセンシング（RS）におけるマルチラベル分類（MLC）問題に対する深層能動学習（AL）を紹介する。特に、RS画像のMLCに対するいくつかのALクエリ関数の有効性を調査する。既存のALクエリ関数（単一ラベル分類やセマンティックセグメンテーション問題のために定義されている）とは異なり、本論文の各クエリ関数は、2つの基準の評価に基づいている：i）マルチラベルの不確実性、ii）マルチラベルの多様性。マルチラベルの不確実性基準は、各画像にマルチラベルを正しく割り当てる際の、ディープニューラルネットワーク（DNN）の信頼性に関連する。この基準を評価するために、我々は3つの戦略を調査する：i)マルチラベル損失順序の学習、ii)マルチラベル予測の時間的不一致の測定、iii)近似勾配埋め込み値の大きさの測定。マルチラベル多様性基準は、画像間の冗長性を防ぐために、可能な限り多様な画像の集合を選択することに関連する。この基準を評価するために、クラスタリングに基づく戦略を用いる。上述の各不確実性戦略とクラスタリングに基づく多様性戦略を組み合わせることで、3つの異なるクエリ関数が得られる。検討した全てのクエリ関数は、RSにおけるMLC問題の枠組みで初めて導入されたものである。2つのベンチマークアーカイブで得られた実験結果から、これらのクエリ関数は、ALプロセスの各反復において、非常に情報量の多いサンプルセットの選択につながることが示される。

要約(オリジナル)

In this letter, we introduce deep active learning (AL) for multi-label classification (MLC) problems in remote sensing (RS). In particular, we investigate the effectiveness of several AL query functions for MLC of RS images. Unlike the existing AL query functions (which are defined for single-label classification or semantic segmentation problems), each query function in this paper is based on the evaluation of two criteria: i) multi-label uncertainty; and ii) multi-label diversity. The multi-label uncertainty criterion is associated to the confidence of the deep neural networks (DNNs) in correctly assigning multi-labels to each image. To assess this criterion, we investigate three strategies: i) learning multi-label loss ordering; ii) measuring temporal discrepancy of multi-label predictions; and iii) measuring magnitude of approximated gradient embeddings. The multi-label diversity criterion is associated to the selection of a set of images that are as diverse as possible to each other that prevents redundancy among them. To assess this criterion, we exploit a clustering based strategy. We combine each of the above-mentioned uncertainty strategies with the clustering based diversity strategy, resulting in three different query functions. All the considered query functions are introduced for the first time in the framework of MLC problems in RS. Experimental results obtained on two benchmark archives show that these query functions result in the selection of a highly informative set of samples at each iteration of the AL process.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL