摘要
在遥感领域，训练语义分割模型成本尤为高昂，因为大多数问题都需要新的数据集，因为目标随着分辨率、传感器和区域的不同而发生变化。降低这一成本的方法越来越常见，但大多数方法都是通过利用模型自身的预测将少量标记过的像素扩展成更密集的训练信号，其中无论是正确还是错误的预测，其显示效果都是一样的。我们提出的假设是，这些“自信的错误”（即模型判断为正确的错误）是最有价值的标记对象，而人工检查图像可以直接识别这些错误。我们开发了iSAGE（Iterative Sparse Annotation Guided by Expert，即专家引导的迭代式稀疏标注）这一开源框架：标注者在预测结果上点击那些模型判断为错误的像素，这些点击操作会在基于错误权重的损失函数下训练模型，更新后的模型会再次找出新的错误点，整个过程中都不会自动扩展标记范围。在每次迭代中，每个类别每个帧最多只标记一个像素，iSAGE在BsB Aerial数据集上的性能达到了密集标注方法的96.9%（从0.040%的原始像素中达到了74.79%的mIoU值），在ISPRS Vaihingen数据集上的表现也与密集标注方法持平（76.65% vs 76.93%，从0.011%的原始像素中达到），比已发表的弱监督方法高出近4个百分点的mIoU值。四种自动选择策略的性能都与iSAGE相差7.3到14.4个百分点，即使大幅增加它们的计算资源也无法缩小这一差距；在包含35种方法的评估中，iSAGE是唯一一个不使用自动标签生成的迭代式人工参与框架。
