遥感影像识别进展2022/5/5

原创已于 2022-05-06 10:57:37 修改 · 1.6k 阅读

·

0

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

于 2022-05-05 20:01:45 首次发布

深度学习专栏收录该内容

9 篇文章

订阅专栏

本文探讨了图像标注过程中训练集的选择策略，包括按标签比例选取、全量使用、图像聚类以及调整数据集分辨率。针对背景标注遗漏的问题，提出了通过特征提取和离群点检测来评估原始标签质量。然而，这种方法无法检测未标注的背景内容。实验结果显示了不同策略的效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 选择部分标签用作训练集

在这里插入图片描述
把当前框内标签的比例作为选择的指标。

2. 选择全部标签用作训练集

在这里插入图片描述

3. 考虑图像聚类来选择标签

在这里插入图片描述
聚类效果太差了，没采用。

4. 降低数据集的分辨率来训练

考虑之前是否是因为分辨率过高，导致特征提取不够好。

5. 实验结果

在这里插入图片描述

6. 利用特征提取判断标签质量

在这里插入图片描述
这里只列举了一张图像的各个类别。找出所有图像各个类别的共性（特征提取），然后通过离群点检测来判断原始标签是否标注正确。

问题：这样只能判断原始标签里哪些正确，并不能判断背景中有哪些没标注（训练中主要以滑动窗口的形式裁切原始图像，因此会使得背景中的内容也参与训练。）

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。