AdaSemiCD: An Adaptive Semi-Supervised Change Detection Method Based on Pseudo-Label Evaluation

要約

変化検出 (CD) は、リモート センシングにおいて重要な分野であり、衛星によって同じ領域をさまざまな間隔でキャプチャされた二時点画像ペアの変化領域を特定することに主に焦点を当てています。
CD タスクのデータ注釈プロセスは、時間も労力もかかります。
希少なラベル付きデータと豊富なラベルなしデータを有効に活用するために、擬似ラベルの使用を改善し、トレーニング プロセスを最適化する適応動的半教師あり学習手法 AdaSemiCD を紹介します。
当初、CD に固有の極端なクラスの不均衡により、モデルは背景クラスに重点を置く傾向があり、ターゲット オブジェクトの境界を混乱しやすくなります。
これら 2 つの点を考慮して、クラスの再調整と混乱領域の増幅によって情報エントロピーの表現を強化し、見込み客の変更オブジェクトに大きな重みを与える疑似ラベルの測定可能な評価指標を開発します。
続いて、サンプル単位の疑似ラベルの信頼性を高めるために、最も不確実な領域を動的に識別し、より信頼できるコンテンツに置き換えることができる AdaFusion モジュールを導入します。
最後に、トレーニングの安定性を向上させるために、信頼できるサンプルのバッチのみを使用して教師モデルを更新する AdaEMA モジュールを導入します。
LEVIR-CD、WHU-CD、および CDD データセットからの実験結果は、私たちが提案する適応トレーニング フレームワークの有効性と普遍性を検証します。

要約(オリジナル)

Change Detection (CD) is an essential field in remote sensing, with a primary focus on identifying areas of change in bi-temporal image pairs captured at varying intervals of the same region by a satellite. The data annotation process for the CD task is both time-consuming and labor-intensive. To make better use of the scarce labeled data and abundant unlabeled data, we present an adaptive dynamic semi-supervised learning method, AdaSemiCD, to improve the use of pseudo-labels and optimize the training process. Initially, due to the extreme class imbalance inherent in CD, the model is more inclined to focus on the background class, and it is easy to confuse the boundary of the target object. Considering these two points, we develop a measurable evaluation metric for pseudo-labels that enhances the representation of information entropy by class rebalancing and amplification of confusing areas to give a larger weight to prospects change objects. Subsequently, to enhance the reliability of sample-wise pseudo-labels, we introduce the AdaFusion module, which is capable of dynamically identifying the most uncertain region and substituting it with more trustworthy content. Lastly, to ensure better training stability, we introduce the AdaEMA module, which updates the teacher model using only batches of trusted samples. Experimental results from LEVIR-CD, WHU-CD, and CDD datasets validate the efficacy and universality of our proposed adaptive training framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google