探索城市林 canopy 预测的零样本和少样本无监督域适应中的选择性图像匹配方法

我们探讨了简单方法以适应训练的多任务 UNet，该网络预测森林覆盖率和高度，适用于新的地理环境且无需训练域适应分类器和大量微调。扩展前期研究，我们遵循选择性对齐过程以识别两个地理域中相似的图像，然后测试一组数据驱动的无监督域适应方法在零样本设置下以及少量微调下。我们发现，选择性对齐的数据驱动图像匹配方法在零样本设置下产生有前景的成果，甚至在少量微调时效果更佳。这些方法优于未转换的基线和流行的数据驱动图像到图像翻译模型。最佳方法是针对森林覆盖率任务的像素分布适应和针对高度任务的傅里叶域适应。