.png){kind=icon}
返回
Semi-Supervised Object Detection for Remote Sensing Images Using Consistent Dense Pseudo-Labels
.png){kind=icon}
OA
AI
DOI：10.3390/rs17081474.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
半监督学习旨在通过利用训练过程中大量的未标记数据和有限的标记数据来提高模型的泛化性能。当应用于遥感图像的目标检测时，半监督学习不仅能有效缓解边界框标记耗时且成本高的问题，还能提升相应目标检测方法的性能与泛化能力。然而，目前大多数基于半监督学习的遥感图像目标检测方法（尤其是结合伪标签的方法）忽略了一个关键问题，即伪标签的一致性。本文提出了一种新颖的基于半监督学习的遥感图像目标检测方法，称为CDPL，该方法包含一个自适应机制，可直接将潜在目标信息纳入密集伪标签选择过程，并在目标密集分布的场景中谨慎选择合适的密集伪标签。CDPL由两个主要组件构成：特征对齐的密集伪标签选择和基于稀疏伪标签的回归目标对齐。针对典型遥感数据集的实验结果表明，所提出的方法取得了令人满意的效果提升。
Keyword:
object detection
remote sensing
semi-supervised learning
pseudo-label
期刊
IF:
4.1
论文数:
7.5K
被引数:
15.1W
机构
引用论文
.png){kind=icon}
Object detection in optical remote sensing images: A survey and a new benchmark光学遥感图像中的目标检测: 调查和新基准
OAAI
OAAI分享收藏
查看更多内容