用于云检测的 Landsat-8 与 Proba-V 图像跨传感器对抗域适应
图像与视频处理
2025-12-01 v1 机器学习
摘要
搭载具有相似特征光学传感器的地球观测卫星数量持续增长。尽管它们彼此相似且存在潜在协同，衍生的卫星产品往往针对各传感器独立开发。反演辐射度的差异导致精度显著下降，阻碍了跨传感器的知识与信息共享。这对于机器学习算法尤为不利，因为为每个传感器收集新的地面真值数据以训练模型成本高昂且需要经验丰富的人力。本工作中，我们提出一种域适应变换，以减小两个卫星传感器图像间的统计差异，从而提升迁移学习模型的性能。所提方法基于循环一致生成对抗域适应（CyCADA）框架，以非配对方式训练变换模型。具体而言，使用具有不同但兼容的时空-光谱特征的 Landsat-8 与 Proba-V 卫星来阐释该方法。所得变换显著减小了图像数据集间的差异，同时保留了适应图像的空间与光谱信息，因而对任何通用跨传感器应用均有用。此外，通过在内成本函数中加入专用项，可修改所提对抗域适应模型的训练以在特定遥感应用（如云检测）中提升性能。结果表明，应用所提变换后，在 Landsat-8 数据上训练的云检测模型在 Proba-V 上的云检测精度得到提高。
引用
@article{arxiv.2006.05923,
title = {Cross-Sensor Adversarial Domain Adaptation of Landsat-8 and Proba-V images for Cloud Detection},
author = {Gonzalo Mateo-García and Valero Laparra and Dan López-Puigdollers and Luis Gómez-Chova},
journal= {arXiv preprint arXiv:2006.05923},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication