elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Peaks Fusion assisted Early-stopping Strategy for Overhead Imagery Segmentation with Noisy Labels

Liu, Chenying und Albrecht, Conrad M und Wang, Yi und Zhu, Xiao Xiang (2022) Peaks Fusion assisted Early-stopping Strategy for Overhead Imagery Segmentation with Noisy Labels. IEEE Big Data 2022, 2022-12-17 - 2022-12-20, Osaka, Japan. doi: 10.1109/BigData55660.2022.10020164.

[img] PDF
901kB

Offizielle URL: https://sites.google.com/view/bigdata-adocs/program#h.v0qd0mij9wnd

Kurzfassung

Automatic label generation systems, which are capable to generate huge amounts of labels with limited human efforts, enjoy lots of potential in the deep learning era. These easy-to-come-by labels inevitably bear label noises due to a lack of human supervision and can bias model training to some inferior solutions. However, models can still learn some plausible features, before they start to overfit on noisy patterns. Inspired by this phenomenon, we propose a new Peaks fusion assisted EArly-Stopping (PEAS) approach for imagery segmentation with noisy labels, which is mainly composed of two parts. First, a fitting based early-stopping criterion is used to detect the turning phase from which models are about to mimic noise details. After that, a peaks fusion strategy is applied to select reliable models in the detection zone to generate final fusion results. Here, validation accuracies are utilized as indicators in model selection. The proposed method was evaluated on New York City dataset whose labels were automatically collected by a rule-based label generation system, thus noisy to some extent due to a lack of human supervision. The experimental results showed that the proposed PEAS method can achieve both promising statistical and visual results when trained with noisy labels.

elib-URL des Eintrags:https://elib.dlr.de/190707/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Peaks Fusion assisted Early-stopping Strategy for Overhead Imagery Segmentation with Noisy Labels
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Liu, Chenyingchenying.liu (at) dlr.dehttps://orcid.org/0000-0001-9172-3586139069357
Albrecht, Conrad MConrad.Albrecht (at) dlr.dehttps://orcid.org/0009-0009-2422-7289NICHT SPEZIFIZIERT
Wang, YiYi.Wang (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiao Xiangxiaoxiang.zhu (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:2022
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
DOI:10.1109/BigData55660.2022.10020164
Seitenbereich:Seiten 1-6
Status:veröffentlicht
Stichwörter:deep learning, semantic segmentation, noisy labels, early stopping
Veranstaltungstitel:IEEE Big Data 2022
Veranstaltungsort:Osaka, Japan
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:17 Dezember 2022
Veranstaltungsende:20 Dezember 2022
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Künstliche Intelligenz
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Liu, Chenying
Hinterlegt am:25 Nov 2022 09:03
Letzte Änderung:24 Apr 2024 20:51

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.