Dynamic Loss Decay based Robust Oriented Object Detection on Remote Sensing Images with Noisy Labels

遥感图像中物体的模糊外观、微小尺度和细粒度类别不可避免地导致检测数据集中类别标签的噪声注释。然而，现代定向遥感物体检测器中标签噪声的影响和处理方法尚未得到充分研究。为了解决这个问题，我们提出了一种通过动态损失衰减（DLD）机制实现的强健定向遥感物体检测方法，受深度神经网络在干净和噪声样本上的两阶段“早期学习”和“记忆化”学习动态的启发。具体而言，我们首先观察到早期学习阶段的终点，称为EL，此后模型开始记忆会显著降低检测精度的错误标签。其次，在训练指标的指导下，对每个样本的损失进行降序排列，并自适应地衰减下一轮中排名前K的最大损失（坏样本）的损失。因为这些大损失很有把握是用错误标签计算的。实验结果表明，该方法在多个公共数据集（如HRSC2016和DOTA-v1.0/v2.0）上测试了合成类别标签噪声的噪声抵抗性能。我们的解决方案还在2023年全国大数据和计算智能挑战赛的“基于亚米级遥感图像的细粒度目标检测”赛道中获得了第二名，该赛道使用了有噪声的标签。

本论文旨在解决遥感图像中物体检测数据集中标签噪声问题，提出一种通过动态损失衰减机制的鲁棒遥感物体检测方法。

论文通过观察深度神经网络在干净和嘈杂样本上的“早期学习”和“记忆”学习动态，提出动态损失衰减机制，自适应地降低误标注样本的损失，从而提高遥感物体检测的噪声鲁棒性。

论文在HRSC2016和DOTA-v1.0/v2.0等多个公共数据集上进行了测试，证明该方法在合成类别标签噪声下具有出色的噪声抵抗性能。论文的解决方案在2023年全国大数据和计算智能挑战赛“基于亚米级遥感图像的细粒度物体检测”赛道中获得了第二名。

近期相关研究包括：1. “Learning to Learn from Noisy Labeled Data”；2. “Noisy Labels Detection with Distillation”；3. “Co-teaching: Robust Training of Deep Neural Networks with Extremely Noisy Labels”等。