基于互补学习的含噪声标签遥感图像场景分类

1、原文

Complementary Learning-Based Scene Classification of Remote Sensing Images with Noisy Labels.

https://ieeexplore.ieee.org/document/9552210  

2、摘要

最近，许多基于深度卷积神经网络(DCNN)的方法被提出用于遥感(RS)图像场景分类(SC)。一般来说，DCNN在标签正确的情况下获得了良好的泛化能力。不幸的是，给定的样本有时会被错误标记。在这封信中，研究了带有噪声标签的RS图像的分类。首先，引入互补学习（CL），它从互补标签而不是原始标签中学习，用于带有噪声标签的RS图像分类。CL可以降低从错误信息中学习的概率，因此，它对噪声标签具有鲁棒性。然后，提出了随机干扰训练样本的互补标签的软CL，以防止在训练DCNN时出现过拟合问题。此外，提出了一种结合普通学习（OL）和CL（RS-COCL）的RS图像场景分类框架，该框架使用CL来获得良好的模型，OL来微调深度模型。此外，在RS-COCL(RS-COCL-NLF)中使用噪声标签过滤来检测和校正噪声样本。最后，在RS-COCL-NLF中使用软CL以获得更好的分类性能。所提出的方法在两个广泛使用的数据集（即西北工业大学(NWPU)-RESISC45和PatternNet）上进行了测试，所获得的结果表明，与最先进的方法相比，所提出的方法提供了具有竞争力的分类精度。

3、正文

----------------------------------------------------------------------------------------

----------------------------------------------------------------------------------

----------------------------------------------------------------------------

-----------------------------------------------------------------------------

4、结论

在这封信中，为带有噪声标签的RSSC探索了CL的想法。首先，提出了一个名为softCL的修改CL。然后，提出了三种稳健的分类方法，RS-COCL、RS-COCL-NLF和RS-COCL-NLF-Soft，用于带有嘈杂标签的RSSC。使用RSCOCL训练的模型是普通学习和互补学习的结合，对于SC来说是稳健的，并且可以从嘈杂的RS数据集中提取干净的数据。此外，提出了一种基于COCL的噪声标签过滤方法（RS-COCL-NLF），以进一步提高最终场景分类器的泛化能力和分类性能。此外，RS-COCL-NLF-Soft使用SoftCL进一步提高性能。进行了综合实验以评估我们提出的方法相对于最先进的方法以及传统技术的性能。该研究为进一步探索RSSC领域的耐噪声和CL提供了指导。

5、参考文献