基于伪标签纠正的半监督深度子空间聚类

提出了一种基于伪标签纠正的半监督深度子空间聚类算法。首先利用少量已知样本标签,对分类层产生的不精确伪标签进行纠正,从而提高伪标签的精确性和稳定性;其次从已知样本标签中获得成对样本信息,通过对比学习对自表达系数矩阵进行约束来提高聚类的性能。在4个常用数据集上的实验证明,在最多50个已知样本标签的情况下,提出的子空间聚类算法性能优于目前先进的子空间聚类算法。

信息熵估计辅助的域自适应多源遥感影像地表覆盖分类

在多源遥感影像地表覆盖分类中,引入域自适应方法能够对齐源域和目标域影像或其特征,提升深度学习模型的泛化能力,在智能遥感影像解译任务中具有重要意义。提出了一种基于信息熵不确定性估计的伪标签纠正方法,用于自训练的域自适应任务。其核心是提出一种熵不确定损失函数,用于跨源遥感影像之间的地表覆盖分类。首先,用含标签的源域影像训练语义分割模型,对缺乏真实标签的目标域影像预测并生成伪标签。然后,用伪标签继续训练目标域影像,计算预测结果的信息熵,并将该信息熵作为伪标签的不确定性估计,以校正伪标签并再次进行目标域影像的自训练,得到适用于目标域数据集的地表覆盖分类模型权重。最后,在3个数据集(武汉市2017年及2019年地表覆盖影像分类数据集、ISPRS 2D语义标注比赛数据集、WHU建筑物变化检测数据集)上进行了跨域的多源遥感影像地表覆盖分类实验。结果显示:引入所提方法对现有语义分割网络的性能有显著提升;相比于传统自训练方法,所提方法具有一定的提升,同时,所提方法也超越了最新的基于Kullback-Leibler散度不确定性估计的方法。以上结果表明,所提方法能够在原有预训练语义分割模型基础上进一步提升该模型对不含标签的目标域影像的分割能力,且不需要在原模型上增加额外的模块和参数。