HSLabeling:向大规模遥感图像分割的高效标签,使用混合稀疏标签.

科学领域:

• 计算机视觉 计算机视觉
• 遥感 遥感 遥感 遥感
• 机器学习 机器学习

背景情况:

• 对大规模遥感图像 (RSI) 进行密集的像素智能标签是昂贵且耗时的.
• 现有的稀疏标签方法经常使用单一的标签类型,限制了复杂土地覆盖面的细分性能.
• 不同的土地覆盖类型受益于不同的稀疏标签表示 (例如,点,涂,块).

研究的目的:

• 开发一种新的框架,即混合稀疏标签 (HSLabeling),用于使用自适应稀疏标签进行高效和准确的大规模RSI细分.
• 为了解决单一类型稀疏标签在捕捉各种土地覆盖特征方面的局限性.
• 为了降低标签成本,同时保持高细分性能.

主要方法:

• 提出一个标签细分贡献信息估计模块,以根据土地覆盖的多样性和形状来评估不同稀疏标签的价值.
• 开发了最佳混合标签策略 (OHLS),以适应性地将最佳稀疏标签类型分配给不同的土地覆盖面.
• 制定了标签分配作为一个优化问题,平衡贡献和成本,使用一个贪的算法高效地解决.

主要成果:

• 在三个大规模的RSI数据集上,HSLabeling在最小的标签努力下实现了几乎完全监督的性能.
• 该框架适应性地为各种土地覆盖面选择了最佳的混合稀疏标签.
• 与单个稀疏标签方法相比,HSLabeling实现了类似的性能,标签成本明显降低.

结论:

• HSLabeling提供了一种有效的解决方案,用于大规模遥感图像的成本效益和高性能细分.
• 混合稀疏标签的适应性选择对于处理复杂的土地覆盖细分至关重要.
• 这种方法显著减少了与获取标记数据用于RSI分析相关的实际障碍.