基于 Mixup Foundation Model 的跨域少样本遥感图像分类
计算机视觉与模式识别
2026-04-08 v2 人工智能
机器学习
摘要
尽管跨域少样本学习 (CDFSL) 为遥感图像 (HSI) 分类吸引了大量研究interest，但现有工作常依赖形式为外部噪声的数据增强程序以扩大样本规模，从而大大简化了数据稀缺的难题。它们使用大量参数进行模型更新，容易产生过拟合问题。迄今为止，尚无人探索利用具备强大泛化能力的 foundation model 快速适应下游任务的潜力。本文提出 MIxup FOundation MOdel (MIFOMO) 用于 HSI 分类的 CDFSL。MIFOMO 基于遥感 (RS) foundation model 概念构建，经过在大规模 RS 问题上的预训练，具有通用特征。引入coalescent projection (CP) 的概念，以冻结主干网络的方式快速适应下游任务。提出 mixup domain adaptation (MDM) 以解决极端域差异问题。最后，实施标签平滑概念以应对噪声伪标签问题。我们的严格实验表明，MIFOMO 相较于先前方法在性能上具有最高可达 14% 的优势。MIFOMO 的源代码将在 https://github.com/Naeem-Paeedeh/MIFOMO 上开源，以便可重复性和便于进一步研究。
引用
@article{arxiv.2601.22581,
title = {Cross-Domain Few-Shot Learning for Hyperspectral Image Classification Based on Mixup Foundation Model},
author = {Naeem Paeedeh and Mahardhika Pratama and Ary Shiddiqi and Zehong Cao and Mukesh Prasad and Wisnu Jatmiko},
journal= {arXiv preprint arXiv:2601.22581},
year = {2026}
}