Enhancing Active Learning for Sentinel 2 Imagery through Contrastive Learning and Uncertainty Estimation

要約

この論文では、半教師あり学習 (SSL) と能動学習戦略を統合することにより、衛星画像解析におけるラベル効率を向上させるように設計された新しい方法を紹介します。
私たちのアプローチは、ユーロサット データセットを使用して分析されたセンチネル 2 画像に特に焦点を当て、モンテカルロ ドロップアウト (MC ドロップアウト) による不確実性推定と対照学習を利用します。
バランスの取れたクラス分布とアンバランスなクラス分布の両方を特徴とするシナリオにおけるこの方法の有効性を調査します。
私たちの結果は、提案された方法がこの分野で他のいくつかの一般的な方法よりも優れたパフォーマンスを示し、高い分類精度を維持しながらラベル付けの労力を大幅に節約できることを示しています。
これらの発見は、スケーラブルで費用対効果の高い衛星画像解析を促進する私たちのアプローチの可能性を強調しており、特に広範な環境モニタリングや土地利用分類タスクに有利です。

要約(オリジナル)

In this paper, we introduce a novel method designed to enhance label efficiency in satellite imagery analysis by integrating semi-supervised learning (SSL) with active learning strategies. Our approach utilizes contrastive learning together with uncertainty estimations via Monte Carlo Dropout (MC Dropout), with a particular focus on Sentinel-2 imagery analyzed using the Eurosat dataset. We explore the effectiveness of our method in scenarios featuring both balanced and unbalanced class distributions. Our results show that the proposed method performs better than several other popular methods in this field, enabling significant savings in labeling effort while maintaining high classification accuracy. These findings highlight the potential of our approach to facilitate scalable and cost-effective satellite image analysis, particularly advantageous for extensive environmental monitoring and land use classification tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google