ALS教师：在遥感图像中进行半监督定向物体检测时的主动标签选择方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：ALS Teacher: Active Label Selection for Semi-Supervised Oriented Object Detection in Remote Sensing Imagery

　　

摘要：

在遥感场景中，半监督对象检测（SSOD）面临的主要挑战是在有限监督条件下，方向敏感的伪标签噪声会显著降低标签的可靠性。由于物体的任意旋转和复杂的空间分布，伪标签的准确性会大大降低。尽管SSOD在自然图像上取得了有希望的结果，但现有方法主要集中在水平方向的物体检测上，难以泛化到有方向性的场景。在本文中，我们提出了ALS Teacher，这是一个专门为有方向性物体检测设计的半监督框架，采用两阶段检测器架构。为了提高在有限监督条件下的伪标签可靠性，我们引入了主动标签选择策略（ALSS），该策略通过综合评估指标来识别高价值的标记样本。此外，为了从无标签数据中增强对方向的感知能力，我们开发了方向保持插值增强（OPIA），这是一种几何一致的插值增强方法，旨在保持空间连贯性和旋转特性。我们还提出了全局方向损失函数（GOLF），该函数将全局空间分布纳入到有方向性的回归中，从而在学生检测器中实现更稳定和更具表现力的方向建模。在DOTA-v1.5和CODrone基准测试上的广泛实验证明了我们框架的有效性。仅使用10%的标记数据，我们的方法在DOTA-v1.5上的mAP达到了52.26%，在CODrone上的mAP达到了37.84%，分别比有监督的Oriented R-CNN基线高出7.78%和4.37%。这些结果凸显了我们方法作为复杂遥感图像中半监督有方向性物体检测的可行解决方案的潜力。代码可在以下链接公开获取：https://github.com/Xbuluo/ALS-Teacher。