在遥感中，基于几何-语义多样性感知的主动学习方法用于定向目标检测

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Geometric-Semantic Diversity-aware Active Learning for Oriented Object Detection in Remote Sensing

　　

摘要：

在航空遥感图像中进行定向对象检测时，由于对象分布密集且几何变化复杂，标注成本较高。主动学习（AL）通过选择性标记最具信息量的样本，为降低标注成本提供了一种有效方法。然而，现有的AL方法主要独立关注不确定性或代表性标准，缺乏对几何和语义多样性的充分考虑，而这在遥感场景中对于旋转对象尤为重要。为了解决这些问题，我们提出了一个考虑几何-语义多样性的主动学习（GSD-AL）框架用于定向对象检测。具体来说，我们的方法将实例级别的不确定性与几何和语义多样性约束相结合。几何多样性模块（GDM）利用旋转边界框的空间变异性，强调长宽比和旋转角度的多样性以避免冗余。同时，语义多样性模块（SDM）基于PCA降维特征计算余弦相似度，从而实现高效的对象过滤，确保语义代表性。此外，我们引入了一种动态类别平衡策略，通过实施特定类别的采样限制来优先处理少数类别中的不确定样本。在两个公开可用的数据集上进行的广泛实验表明，我们提出的GSD-AL框架在降低标注成本的同时，实现了比现有最先进AL方法更优越的检测性能。具体而言，我们的方法仅使用20,000个标记样本就达到了70.7%的mAP，比在DOTA-v1.0数据集上使用相同标注预算的次优方法高出1.9%。代码可访问地址：https://github.com/wangyue377/GSD-AL。