基于注意力蒸馏的粗到细领域增量学习用于多光谱遥感图像中的矿区分割
计算机视觉与模式识别
2026-05-29 v2 人工智能
摘要
自动映射和分割全球采矿足迹使用遥感和深度学习对于监控采矿的社会环境风险和影响至关重要，但由于细粒度标注数据的稀缺，进展受到阻碍。尽管广泛可获得的具有粗糙边界的大规模数据集，但将其用于提高细粒度分割具有挑战性，因为存在显著的领域迁移。为此，我们提出了 MineC2FNet，一个粗到细领域增量学习框架，利用丰富的粗数据来增强细粒度矿区分割。MineC2FNet 采用教师-学生体系结构，在特征和预测水平上进行注意力蒸馏，选择性地将粗域的通用知识传递给学生，同时利用有限的细粒度数据（细域）实现边界细化。我们进一步引入了一个经专家验证的 219 张图像的数据集，覆盖多样化的地理区域和矿产类型。大量实验对抗状态方法，包括域适应和域增量学习方法，表明 MineC2FNet 在处理领域迁移方面表现出色，实现了优异的性能。该数据集和代码已公开于 https://github.com/risqiutama/MineC2FNet。
引用
@article{arxiv.2605.24460,
title = {Coarse-to-Fine Domain Incremental Learning with Attentive Distillation for Mining Footprint Segmentation in Multispectral Imagery},
author = {Alif Tri Handoyo and Vincent C. S. Lee and Rizka Widyarini Purwanto and Alex M. Lechner and Deanna Kemp and Muhamad Risqi U. Saputra},
journal= {arXiv preprint arXiv:2605.24460},
year = {2026}
}
备注
Accepted at the 35th International Joint Conference on Artificial Intelligence (IJCAI 2026), AI and Social Good track