基于不确定性驱动的模型无关框架：分离硬度与噪声——面向长尾遥感分类
计算机视觉与模式识别
2026-01-05 v1
摘要
遥感数据中普遍存在长尾分布，由于grounded objects的出现不平衡。然而，一个关键挑战仍被忽略，即分离难样本与噪声模糊样本。常规方法往往不区分地强调所有低置信度样本，导致对噪声数据过拟合。为弥合这一差距，基于Evidential Deep Learning，我们提出了模型无关的不确定性感知框架，称为DUAL（Disentangling Hardness from Noise via Uncertainty-Driven model-Agnostic framework），该框架动态地将预测不确定性分解为认识不确定性（Epistemic Uncertainty, EU）和 aleatoric 不确定性（Aleatoric Uncertainty, AU）。具体而言，我们引入EU作为样本稀缺性指示器，以引导对难学习尾部样本的重新加权策略；同时利用AU来量化数据模糊性，采用自适应标签平滑机制抑制噪声影响。在多个数据集上进行的大量实验表明，该框架在多个backbone上有效且具有普适性，优于TGN和SADE等强大基线。消融研究进一步提供了我们设计中关键选择的见解。
关键词
引用
@article{arxiv.2601.00278,
title = {Disentangling Hardness from Noise: An Uncertainty-Driven Model-Agnostic Framework for Long-Tailed Remote Sensing Classification},
author = {Chi Ding and Junxiao Xue and Xinyi Yin and Shi Chen and Yunyun Shi and Yiduo Wang and Fengjian Xue and Xuecheng Wu},
journal= {arXiv preprint arXiv:2601.00278},
year = {2026}
}