一种用于利用地理空间基础模型的传感器无关域泛化框架：通过协同伪标签与生成学习增强语义分割
计算机视觉与模式识别
2025-05-06 v1
摘要
遥感技术支撑着土地覆盖与土地利用制图、作物产量预测和环境监测等广泛的关键应用。卫星技术的进步扩展了遥感数据集，然而高性能的分割模型仍然依赖于大量标注数据，并受到标注稀缺以及传感器、光照和地理环境差异带来的挑战。域适应为提升模型泛化能力提供了一种有前景的解决方案。本文介绍了一种域泛化方法，通过将软对齐伪标签与源到目标的生成式预训练相结合，来利用新兴的地理空间基础模型。我们进一步为基于掩码自编码器的生成学习在域不变特征学习中的应用提供了新的数学见解。在高光谱和多光谱遥感数据集上的实验证实了我们的方法在增强适应性和分割效果方面的有效性。
引用
@article{arxiv.2505.01558,
title = {A Sensor Agnostic Domain Generalization Framework for Leveraging Geospatial Foundation Models: Enhancing Semantic Segmentation viaSynergistic Pseudo-Labeling and Generative Learning},
author = {Anan Yaghmour and Melba M. Crawford and Saurabh Prasad},
journal= {arXiv preprint arXiv:2505.01558},
year = {2025}
}
备注
Accepted in the 2025 CVPR Workshop on Foundation and Large Vision Models in Remote Sensing, to appear in CVPR 2025 Workshop Proceedings