伪监督再学习算法

极弱标注下分割媲美全标注

通过伪监督再学习框架，只需极少量图像级标注和大量无标签数据，即可实现与完备弱监督方法相当的分割精度，大幅降低标注成本。

刘亚男 · Zhu, Wanning · 张立保

IEEE Transactions on Geoscience and Remote Sensing 2024

技术优势

标注成本大幅降低

只需极少量图像级标注和大量无标签数据，避免了对大规模像素级标注的依赖。

精度不输完整标注

在公开数据集上，利用更少监督信息即可达到与使用完整图像级标注的弱监督方法相当的精度。

无需专业知识标注

图像级标注无需领域专家即可完成，进一步降低标注门槛。

应用场景

• 遥感图像分析：在仅有少量标注的遥感数据上实现高精度分割，用于土地利用、变化检测等。
• 低成本数据标注：以图像级标注和大量无标签数据替代像素级标注，大幅削减人工标注成本。
• 弱监督学习：在仅提供图像级标签的弱监督场景下，通过伪监督再学习实现像素级分割。