一种受贝叶斯启发、基于深度学习的半监督域适应技术用于土地覆盖制图
机器学习
2021-03-11 v2 计算机视觉与模式识别
机器学习
摘要
土地覆盖图是许多类型环境研究和管理的重要输入变量。虽然它们可由机器学习技术自动生成，但这些技术需要大量训练数据以达到高精度，而这类数据并非总可获得。当标记训练数据稀缺时，研究人员使用的一种技术是域适应(DA)——即利用来自替代区域（称为源域）的数据训练分类器，并将该模型适应于绘制研究区域或目标域。我们在本文中处理的场景称为半监督DA，其中目标域存在一些标记样本。本文提出Sourcerer，一种受贝叶斯启发、基于深度学习的半监督DA技术，用于从SITS数据生成土地覆盖图。该技术采用在源域上训练的卷积神经网络，然后在可用的目标域上进一步训练，并对模型权重施加一种新颖的正则化项。该正则化项调整模型被修改以拟合目标数据的程度，在目标数据数量少时限制改变程度，并随目标数据量增加而增大。我们在Sentinel-2时间序列图像上的实验将Sourcerer与两种最先进的半监督域适应技术和四种基线模型进行比较。我们表明，在两种不同的源-目标域配对上，对于任何数量的可用标记目标数据，Sourcerer均优于所有其他方法。事实上，在更困难目标域上的结果显示，Sourcerer的起始精度（当无标记目标数据可用时）为74.2%，高于下一个最佳最先进方法在20,000个标记目标实例上训练所得的精度。
引用
@article{arxiv.2005.11930,
title = {A Bayesian-inspired, deep learning-based, semi-supervised domain adaptation technique for land cover mapping},
author = {Benjamin Lucas and Charlotte Pelletier and Daniel Schmidt and Geoffrey I. Webb and François Petitjean},
journal= {arXiv preprint arXiv:2005.11930},
year = {2021}
}