基于生成多天气图像的无监督海洋目标分类领域适应
计算机视觉与模式识别
2025-11-13 v3
摘要
海洋目标的分类和识别对于增强海洋安全、监测和智能海洋环境预测至关重要。然而，现有的无监督海洋目标分类方法在目标类别和天气条件的长尾分布方面往往难以应对。本文构建了一个名为 AIMO 的数据集，通过大规模生成模型产生，包含多样化的天气条件和平衡的目标类别，并收集了一个名为 RMO 的数据集，其中包含真实世界图像，存在长尾问题。我们提出了一种新颖的领域适应方法，利用 AIMO（源域）来解决 RMO（目标域）中数据有限、分布不平衡和域迁移的问题，利用 Vision-Language 模型如 CLIP 增强源特征的泛化性，并提出一种难度评分用于课程学习以优化训练过程。实验结果表明，所提出的方法显著提高了分类准确率，尤其是针对稀有目标类别和天气条件的样本。数据集和代码将在 https://github.com/honoria0204/AIMO 上公开。
引用
@article{arxiv.2501.15503,
title = {Domain Adaptation from Generated Multi-Weather Images for Unsupervised Maritime Object Classification},
author = {Dan Song and Shumeng Huo and Wenhui Li and Lanjun Wang and Chao Xue and An-An Liu},
journal= {arXiv preprint arXiv:2501.15503},
year = {2025}
}