May, 2024

通过尼曼分配分层抽样主动学习实现高效灾难响应的成本有效无偏类比率估计

PDF
TL;DR利用构建奈曼分层随机抽样树的创新算法以及对多类问题的推广，通过广泛的实验验证，本研究发现其在类别比率估计和模型增强方面能够超越传统主动学习方法，仅需传统简单抽样的 30％-60％的注释成本。该方法有效解决了传统主动学习策略中的 “采样偏倚” 问题，并缓解了 “冷启动” 困境。同时，在使用 Xview2 卫星图像进行灾害评估任务时，本方法展现出其在实际场景中的实用性。
earth observation technologysatellite remote-sensing datadisaster damage assessmentneyman stratified random sampling treesactive learning
发现论文，激发创造
  • 遥感监督学习图像分类主动学习算法综述

    本文综述和测试了主要的主动学习算法，研究了许多具有挑战性的遥感场景，包括高分辨率和高光谱图像分类。提供给未经验的用户选择良好架构的指南。

    Apr, 2021

  • 数据高效变化检测中遥感的深度主动学习

    本论文研究了在深度神经网络模型中的主动学习，适用于诸如检测局部地表变化和地图更新等一些遥感任务，并使用各种机制捕捉和量化模型的不确定性，以选择有信息量的未标记样本进行注释，通过少量样本的标记就达到与大型训练集相同的性能的效果。

    Aug, 2020

  • 通过对比学习和不确定性估计增强 Sentinel 2 影像的主动学习

    介绍了一种新颖方法，通过将半监督学习与主动学习策略相结合，提高了卫星图像分析的标签效率；采用对比学习和蒙特卡洛失活来估计不确定性，在 Sentinel-2 卫星图像上使用 Eurosat 数据集进行了分析，结果显示在不平衡类别情况下，该方法优于随机选择方法，在保持高分类准确性的同时显著减少了标注工作量，此方法有潜力促进可扩展和具有成本效益的卫星图像分析，对环境监测和土地利用分类任务尤为有优势。

    May, 2024

  • 卫星图像语义分割的主动标签细化

    通过卫星图像的语义分割进行遥感技术研究，有利于了解和利用地球表面。本文提出一种低成本的标记方法，通过众包或预训练网络标记图像，并利用主动学习策略在第二步精细化标注图像。实验结果表明，对语义分割网络进行主动标注精化能够提高性能。

    Sep, 2023

  • 深度主动分类中的采样偏差：实证研究

    本文通过大量经验研究，证明了利用 FastText.zip（FTZ）深度模型的后验熵进行主动集合选择对抗采样偏差和各种算法选择具有鲁棒性，并提出了基于深度主动文本分类的简单基线，可用于数据集压缩和半监督 / 在线学习场景。

    Sep, 2019

  • 气候适应：从不平衡卫星数据中可靠地预测

    本文研究了如何处理在应用深度学习技术识别危机管理时，数据高度不平衡的情况，探讨了多种技术并提出了一套综合方法，旨在提高少数类别分类的性能和模型可靠性。

    Apr, 2020

  • 应用主动学习克服样本选择偏差：在光变星分类中的应用

    研究了机器学习算法在天文学中的应用，发现样本选择偏差是一大问题，探究了几种方法，其中主动学习是一种有效的方法，在变星分类问题上优于现有分类器和其他方法。

    Jun, 2011

  • 基于分类树的主动学习：一种封装方法

    使用包装器主动学习方法对分类问题进行改进，通过在初始标记样本上构建分类树，将空间分解为低熵区域，再使用基于输入空间的准则从这些区域中进行子采样，并证明了该方法在使用受限标记数据集时构建准确分类模型的有效性。

    Apr, 2024

  • 一种高效的模型评估框架： 分层、抽样和估计

    模型性能评估是机器学习和计算机视觉中的关键而昂贵的任务。在本文中，我们提出了一种模型评估的统计框架，包括分层、抽样和估计组成部分。我们的实验表明，通过基于准确的模型性能预测进行 k-means 聚类的分层方法能够提供比传统的简单随机抽样更为精确的准确度估计。

    Jun, 2024

  • 高光谱图像分类中的主动深度学习

    本文提出了一种基于加权递增字典学习的主动学习算法，该算法选择能够最大化代表性和不确定性两个选择标准的训练样本，通过在每次迭代中主动选择训练样本来高效地训练深度网络，然后将所提出的算法应用于高光谱图像的分类，并与其他应用主动学习的分类算法进行比较，结果表明所提出的算法在分类高光谱图像时既高效又有效。

    Nov, 2016