Supervised learning techniques are at the center of many tasks in remote sensing. Unfortunately, these methods, especially recent deep learning methods, often require large amounts of labeled data for training. Even though satellites acquire large amounts of data, labeling the data is often tedious, expensive and requires expert knowledge. Hence, improved methods that require fewer labeled samples are needed. We present MSMatch, the first semi-supervised learning approach competitive with supervised methods on scene classification on the EuroSAT and UC Merced Land Use benchmark datasets. We test both RGB and multispectral images of EuroSAT and perform various ablation studies to identify the critical parts of the model. The trained neural network achieves state-of-the-art results on EuroSAT with an accuracy that is up to 19.76% better than previous methods depending on the number of labeled training examples. With just five labeled examples per class, we reach 94.53% and 95.86% accuracy on the EuroSAT RGB and multispectral datasets, respectively. On the UC Merced Land Use dataset, we outperform previous works by up to 5.59% and reach 90.71% with five labeled examples. Our results show that MSMatch is capable of greatly reducing the requirements for labeled data. It translates well to multispectral data and should enable various applications that are currently infeasible due to a lack of labeled data. We provide the source code of MSMatch online to enable easy reproduction and quick adoption.


翻译:不幸的是,这些方法,特别是最近的深层学习方法,往往需要大量的标签数据来进行培训。即使卫星获得大量数据,但数据标签往往乏味、昂贵且需要专家知识。因此,需要改进方法,需要较少标签样本。我们介绍欧洲卫星组织和UC Merced Lands使用基准数据集的首个半监督学习方法,在现场分类方面,以监督方法进行竞争。我们测试欧洲卫星组织和UC Merced Landed Lands Uders 基准数据集的RGB和多谱段图像,并进行各种升级研究,以确定模型的关键部分。即使卫星获得大量数据,但经过培训的神经网络在EuroSAT上取得最先进的结果,其准确性达到19.76%,这取决于标签培训实例的数量。我们提供了第一批只有5个标签的例子,我们分别达到94.53%和95.86%的欧洲卫星组织RGB和多谱路段基准数据集的精确度。在UCUC Merced Luse数据集方面,我们比先前的工作要快到5.59 %,而我们的数据应用率要大大降低到90.71%。

0
下载
关闭预览

相关内容

加州大学 Merced 分校地理位置优越,2 小时到硅谷和旧金山(旧金山可以直飞中国很多地方,回家方便),2 小时到加州黄金海岸,1 小时到优胜美地国家公园。由于离硅谷近,工作和实习机会很多,还可以从硅谷及时获得业界的最新动态。UC Merced 的 HPC 方向排名是全美第 7(CSRankings)。虽然仅仅成立 16 年,上升势头迅猛,继 2018 年 U.S.News 公立排名上升 29 名后,2019 年再次上升 32 名与其他 UC 兄弟院校携手进入前 50 名(UC Merced 44 名,UC Riverside 39 名,UCSC 34 名),到达这一成绩从无到有只用了 16 年。在 2021 年 US News 最新排名,UC Merced 在美国所有大学(包括公立和私立)排名 93,在过去 4 年内上升 72 个排名。
专知会员服务
44+阅读 · 2020年10月31日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
154+阅读 · 2020年5月26日
专知会员服务
60+阅读 · 2020年3月19日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
【论文笔记】通俗理解少样本文本分类 (Few-Shot Text Classification) (1)
深度学习自然语言处理
7+阅读 · 2020年4月8日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
《pyramid Attention Network for Semantic Segmentation》
统计学习与视觉计算组
44+阅读 · 2018年8月30日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
Arxiv
4+阅读 · 2019年12月2日
Revisiting CycleGAN for semi-supervised segmentation
Arxiv
3+阅读 · 2019年8月30日
Arxiv
5+阅读 · 2018年1月18日
VIP会员
相关资讯
【论文笔记】通俗理解少样本文本分类 (Few-Shot Text Classification) (1)
深度学习自然语言处理
7+阅读 · 2020年4月8日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
《pyramid Attention Network for Semantic Segmentation》
统计学习与视觉计算组
44+阅读 · 2018年8月30日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
Top
微信扫码咨询专知VIP会员