大规模分布偏移：地球观测中的分布外检测
计算机视觉与模式识别
2025-04-10 v2 人工智能
机器学习
摘要
训练鲁棒的深度学习模型在地球观测中至关重要，因为全球部署的模型经常面临导致性能下降的分布偏移，尤其是在低数据区域。分布外（OOD）检测通过识别偏离分布内（ID）数据的输入来解决这一问题。然而，现有方法要么假设可以访问 OOD 数据，要么会损害主要任务性能，限制了其在现实世界中的应用。我们引入了 TARDIS，一种专为可扩展地理空间部署设计的后验 OOD 检测方法。我们的核心创新在于通过利用特征空间中的 ID 数据生成替代分布标签。TARDIS 接收一个预训练模型、ID 数据以及来自未知分布（WILD）的数据，基于内部激活将 WILD 分离为替代 ID 和 OOD 标签，并训练一个二元分类器来检测分布偏移。我们在 EuroSAT 和 xBD 上跨 17 种涵盖协变量偏移和语义偏移的设定进行了验证，结果显示在 13 种情况下达到了接近上限的替代标记性能，并匹配了顶级后验激活和基于评分方法的性能。最后，在 Fields of the World 上部署 TARDIS 揭示了关于预训练模型在大规模下行为的可操作见解。代码可在 \href{https://github.com/microsoft/geospatial-ood-detection}{https://github.com/microsoft/geospatial-ood-detection} 获取
引用
@article{arxiv.2412.13394,
title = {Distribution Shifts at Scale: Out-of-distribution Detection in Earth Observation},
author = {Burak Ekim and Girmaw Abebe Tadesse and Caleb Robinson and Gilles Hacheme and Michael Schmitt and Rahul Dodhia and Juan M. Lavista Ferres},
journal= {arXiv preprint arXiv:2412.13394},
year = {2025}
}