CARE：基于地球观测基础模型微调的建筑密度置信度感知回归估计

在像素级回归任务中执行准确的置信度量化与评估，对于深度神经网络预测其故障、提升性能并增强其在实际应用中的能力以实现实际部署具有重要意义，这些任务是地球观测（EO）AI 基础模型的下游应用。对于像素级回归任务，特别是利用 EO 基础模型中卫星影像的遥感数据时，置信度量化是一项关键挑战。本研究的重点是开发一个使用 EO 卫星数据的基础模型，该模型在回归输出的同时计算并分配置信度指标，以提高深度神经网络生成预测的可靠性和可解释性。为此，我们开发、训练并评估了所提出的置信度感知回归估计（CARE）基础模型。我们的模型 CARE 作为 EO 数据基础模型的下游任务计算并为回归结果分配置信度，并对低置信度区域执行置信度感知自我纠正学习方法。我们评估了模型 CARE，在 Copernicus Sentinel-2 卫星星座的多光谱数据上估计建筑密度（即监测城市扩张）的实验结果表明，所提出的方法可成功应用于 EO 和遥感中的重要回归问题。我们还表明我们的模型 CARE 优于其他基线方法。