星载高光谱云检测的域适应
计算机视觉与模式识别
2023-09-06 v1
摘要
星载机器学习硬件加速器的出现使得能够使用卷积神经网络（CNN）等机器学习技术对载荷数据进行在轨处理。一个显著例子是使用 CNN 检测地球观测（EO）任务所捕获高光谱数据中的云存在，从而仅下传晴空数据以节省带宽。然而，在部署前，采用新传感器的新任务将没有足够的代表性数据集来训练 CNN 模型，而仅在先前任务数据上训练的模型在部署处理新任务数据时会表现不佳。这种性能下降源于域间隙，即先前与未来任务中不同传感器所生成数据的底层分布差异。在本文中，我们针对在轨高光谱云检测中的域间隙问题。我们的主要贡献在于提出受具体 EO 任务驱动的新域适应任务、开发一种带宽高效监督域适应新算法，以及在空间可部署神经网络加速器上演示测试时适应算法。我们的贡献使得仅需极少数据传输（例如 ResNet50 中仅 1% 的权重）即可实现域适应，从而允许更复杂的 CNN 模型在卫星上部署与更新而不受域间隙与带宽限制阻碍。
引用
@article{arxiv.2309.02150,
title = {Domain Adaptation for Satellite-Borne Hyperspectral Cloud Detection},
author = {Andrew Du and Anh-Dzung Doan and Yee Wei Law and Tat-Jun Chin},
journal= {arXiv preprint arXiv:2309.02150},
year = {2023}
}