[论文解读] Deep Active Learning for Remote Sensing Object Detection
本文提出了一种新颖的基于不确定性的主动学习框架，用于遥感目标检测，通过结合分类与回归不确定性来选择最具信息量的图像，同时引入类别不平衡和目标数量加权以提升样本效率。在 DOTA 数据集上使用 CenterNet 时，该方法仅使用 50% 的训练图像即可达到全监督性能，甚至在使用 55% 的数据并结合对最不置信样本的加权采样时，超越了全监督基线表现。
Recently, CNN object detectors have achieved high accuracy on remote sensing images but require huge labor and time costs on annotation. In this paper, we propose a new uncertainty-based active learning which can select images with more information for annotation and detector can still reach high performance with a fraction of the training images. Our method not only analyzes objects' classification uncertainty to find least confident objects but also considers their regression uncertainty to declare outliers. Besides, we bring out two extra weights to overcome two difficulties in remote sensing datasets, class-imbalance and difference in images' objects amount. We experiment our active learning algorithm on DOTA dataset with CenterNet as object detector. We achieve same-level performance as full supervision with only half images. We even override full supervision with 55% images and augmented weights on least confident images.
研究动机与目标
- 降低训练深度卷积神经网络用于遥感目标检测的高昂标注成本。
- 通过选择最具信息量的图像进行标注，提升样本效率。
- 通过加权采样缓解遥感数据集中类别不平衡与目标数量变化的问题。
- 在远少于全监督所需标注图像数量的情况下，实现高水平的检测性能。
提出的方法
- 该方法使用结合分类与回归不确定性的双重不确定性度量，以识别最具信息量的样本。
- 引入两种实例级别权重：一种用于处理类别不平衡，另一种用于应对图像间目标数量的变化。
- 优先对最不置信的样本进行标注，并通过额外加权增强对罕见或稀疏目标的学习。
- 主动学习循环基于不确定性得分迭代选择图像，并使用新标注的数据重新训练检测器。
- 该方法以 CenterNet 作为目标检测器，在 DOTA 基准上进行评估。
- 该方法根据模型不确定性与数据集特有的分布挑战动态调整采样策略。
实验结果
研究问题
- RQ1基于不确定性的主动学习是否能在保持遥感目标检测高精度的同时降低标注成本？
- RQ2结合分类与回归不确定性在遥感目标检测中如何改善样本选择？
- RQ3通过实例级别加权，在主动学习中能在多大程度上缓解类别不平衡与可变目标密度问题？
- RQ4在模型性能方面，部分监督下的主动学习是否能超越全监督基线？
主要发现
- 所提方法在 DOTA 数据集上仅使用 50% 的训练图像，即可实现与全监督相当的性能。
- 在使用 55% 的训练数据并结合对最不置信样本的加权采样时，模型甚至超越了全监督基线。
- 回归不确定性的整合有助于识别并优先处理异常预测，提升模型鲁棒性。
- 类别不平衡与目标数量权重显著提升了在长尾遥感数据集上的学习效率。
- 该主动学习策略在减少标注工作量的同时，维持或提升了检测 mAP 性能。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。