面向连续域泛化的激活回归及其在作物分类中的应用
计算机视觉与模式识别
2022-04-15 v1 机器学习
摘要
卫星影像中的地理差异影响了机器学习模型对新区域的泛化能力。本文将中分辨率 Landsat-8 卫星影像中的地理泛化建模为连续域适应问题，展示了模型如何借助恰当的域知识实现更好泛化。我们构建了一个空间上分布于美国本土全域的数据集，从宏观层面揭示了地理因素对多光谱、时间分布卫星影像中作物分类的影响。我们的方法从两方面提升了泛化性：1）将地理相关的气候变量与卫星数据一同输入 Transformer 模型；2）对模型特征回归以重建这些域变量。综合而言，我们为卫星影像中的地理泛化提供了新视角，以及一种简单而有效的域知识利用方法。代码见：\url{https://github.com/samar-khanna/cropmap}
引用
@article{arxiv.2204.07030,
title = {Activation Regression for Continuous Domain Generalization with Applications to Crop Classification},
author = {Samar Khanna and Bram Wallace and Kavita Bala and Bharath Hariharan},
journal= {arXiv preprint arXiv:2204.07030},
year = {2022}
}