Confidence-Guided Semi-supervised Learning in Land Cover Classification

要約

半教師あり学習は、大量のラベルなしデータを活用することで手動ラベル付けのコストを削減するためによく開発されています。
特に土地被覆分類のアプリケーションでは、大規模な画像におけるピクセルレベルの手動ラベル付けは多大な労力と費用がかかります。
ただし、既存の半教師あり学習方法では、ネットワークを監視しながら、擬似ラベルの品質にはあまり注意を払っていません。
それにもかかわらず、これはネットワークのパフォーマンスを決定する重要な要素の 1 つです。
このギャップを埋めるために、信頼度の高い擬似ラベルを利用し、土地被覆分類ネットワークのトレーニングに対する信頼度の低い擬似ラベルの悪影響を軽減する、信頼度に基づく半教師あり学習 (CGSSL) アプローチを開発します。
一方、提案された半教師あり学習アプローチでは、複数のネットワーク アーキテクチャを使用して擬似ラベルの多様性を高めます。
提案された半教師あり学習アプローチは、コンピューター ビジョンにおける古典的な半教師あり学習手法と比較して土地被覆分類のパフォーマンスを大幅に向上させ、ベンチマークとなるポツダム土地被覆データ セットのラベル付き画像の完全なセットを使用した完全教師あり学習をも上回るパフォーマンスを発揮します。

要約(オリジナル)

Semi-supervised learning has been well developed to help reduce the cost of manual labelling by exploiting a large quantity of unlabelled data. Especially in the application of land cover classification, pixel-level manual labelling in large-scale imagery is labour-intensive and expensive. However, the existing semi-supervised learning methods pay limited attention to the quality of pseudo-labels whilst supervising the network. That is, nevertheless, one of the critical factors determining network performance. In order to fill this gap, we develop a confidence-guided semi-supervised learning (CGSSL) approach to make use of high-confidence pseudo labels and reduce the negative effect of low-confidence ones on training the land cover classification network. Meanwhile, the proposed semi-supervised learning approach uses multiple network architectures to increase pseudo-label diversity. The proposed semi-supervised learning approach significantly improves the performance of land cover classification compared to the classical semi-supervised learning methods in computer vision and even outperforms fully supervised learning with a complete set of labelled imagery of the benchmark Potsdam land cover data set.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google