深度度量学习驱动的遥感图像检索的标注成本高效主动学习

Jun, 2024

深度度量学习驱动的遥感图像检索的标注成本高效主动学习

Annotation Cost-Efficient Active Learning for Deep Metric Learning Driven Remote Sensing Image Retrieval

Genc Hoxha, Gencer Sumbul, Julia Henkel, Lars Möllenbrok, Begüm Demir

TL;DR通过结合度量学习、主动学习以及不确定性估计等方法，提出了一种用于远程感知图像检索的低成本主动学习方法，该方法有效地减少了图像标注的成本，并在两个远程感知基准数据集上取得了显著的实验结果。

Abstract

deep metric learning (DML) has shown to be very effective for content-based image retrieval (CBIR) in remote sensing (RS). Most of DML methods for CBIR rely on many annotated images to accurately learn model para

deep metric learning content-based image retrieval active learning uncertainty estimation remote sensing

发现论文，激发创造

基于内容的图像检索的有效标注节约算法

本文提出了一种名为 ANNEAL 的注释成本高效的主动学习方法，通过模拟为相似或不相似的最具信息量的图像对进行注释来增强训练集，从而准确地建模深度度量空间。

Jun, 2023

主动学习引导下微调，增强基于自监督的遥感多标签分类

本文旨在探讨自监督预训练与主动学习的联合使用是否能够有效解决遥感图像多标签分类中的类不平衡问题，并通过实验证明了与单独使用随机训练集进行微调相比，指导自监督模型的主动学习微调方案的有效性。

Jun, 2023

音视频检索的锚点感知深度度量学习

提出了一种创新的 Anchor-aware Deep Metric Learning (AADML) 方法，通过揭示现有数据点之间的潜在相关性来提高共享嵌入空间的质量，并在两个音频 - 视觉基准数据集上的广泛实验证明了该方法的有效性，显著超过了 state-of-the-art 模型。

Apr, 2024

深度图像分类的成本效益主动学习

本文提出了一种新的主动学习框架，通过有限量的标签训练实例以增量学习的方式构建具有最佳特征表示的竞争性分类器。该方法利用深度卷积神经网络进行主动学习，设计了一种成本效益的样本选择策略，通过选取高置信度的无标签样本自动迭代分配伪标签来改善分类性能。实验证明，该框架在人脸识别和物体分类等两个数据集上取得了有希望的成果。

Jan, 2017

基于混合表示增强采样的肌肉骨骼下肢分割的贝叶斯主动学习

本研究介绍一种混合表示增强采样策略，基于不确定性的贝叶斯主动学习 (BAL) 方法，在低肢 MRI 和 CT 图像数据集上通过 BAL 框架基于贝叶斯 U-net，选择不确定性高且密度和多样性兼顾的样本进行手动修订，从而在医学图像分割领域中有效地降低标注成本。

Jul, 2023

深度关系度量学习

本文提出了一种深度关系度量学习（DRML）框架，用于图像聚类和检索。该方法采用可自适应学习的特征集合来建模类内和类间分布，并使用关系模块和图建模在图像上进行关系推理，得到一种关系感知嵌入来测量相似性，从而有效提高了当前深度度量学习方法的效果。

Aug, 2021

利用主动教学提升遥感图像中的半监督目标检测

我们提出了一种利用师生网络 (SSOD-AT) 来增强遥感图像半监督目标检测 (SSOD) 的新型主动学习 (AL) 方法，该方法利用 RoI 比较模块 (RoICM) 生成高置信度伪标签，同时使用 RoICM 识别不确定度前 K 个图像，并引入多样性准则来减少人工标注中的冗余。实验证明，我们的方法在遥感图像中的目标检测方面优于现有方法。

Feb, 2024

基于不确定度采样、注释冗余限制和数据初始化的脑肿瘤分割主动学习

本研究探讨了使用 dropout 不确定性评估的 active learning 策略以降低医学 3D 成像中神经胶质瘤 MRI 图像分割所需的大量注释数据，实现了最少数据量达到与全数据集训练相同水平的性能。

Feb, 2023

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

遥感数据的去偏学习

我们提出了一种针对遥感数据的高效半监督学习方法，通过适应 FixMatch 框架以及消除训练数据中的偏差，使用已标记数据的 30% 在遥感数据集上相较于基准监督学习方法提供了 7.1% 的准确度提升，以及相较于监督学习的最新方法 CDS 提供了 2.1% 的准确度提升。

Dec, 2023