DirPA：针对不平衡少样本作物类型分类中的先验迁移
机器学习
2026-03-16 v1 计算机视觉与模式识别
摘要
现实世界的农业监测常常受到严重的类别不平衡和高标签获取成本的制约，导致数据稀缺显著。 在少样本学习（FSL）——该框架专为数据稀缺环境设计时，训练集常被人为平衡。这导致了与自然中长尾分布之间的差异，引发分布迁移，削弱了模型对现实农业任务的泛化能力。我们之前引入了 Dirichlet 先验增强（DirPA；Reuss 等，2026a）以主动缓解此类标签分布偏斜的影响。本文扩展了原研究的地理范围。具体而言，我们在欧盟（EU）多个国家上评估了这一方法，超越了局部实验，测试该方法在多样化农业环境中的韧性。我们的结果表明，DirPA 在不同地理区域均有效。我们展示，DirPA 不仅能提升系统韧性，在极端长尾分布下稳定训练，无论目标区域如何，还能通过主动模拟先验，显著改善各类别的具体性能。
关键词
引用
@article{arxiv.2603.12905,
title = {DirPA: Addressing Prior Shift in Imbalanced Few-shot Crop-type Classification},
author = {Joana Reuss and Ekaterina Gikalo and Marco Körner},
journal= {arXiv preprint arXiv:2603.12905},
year = {2026}
}
备注
20 pages, 9 Figures, 28 Tables