基于混合专家模型的卫星图像贫民窟泛化检测

基于卫星的贫民窟分割在生成全球城市贫困估计方面具有重要前景。然而，非正规住区的形态异质性构成了重大挑战，阻碍了在特定区域训练的模型有效泛化到未见过的位置。为了解决这个问题，我们引入了一个大规模高分辨率数据集，并提出了GRAM（广义区域感知混合专家模型），这是一种两阶段测试时自适应框架，能够在无需目标区域标注数据的情况下实现鲁棒的贫民窟分割。我们汇编了一个来自四大洲12个城市的百万级卫星图像数据集用于源域训练。利用该数据集，模型采用混合专家架构，通过共享骨干网络学习通用特征，同时捕捉特定区域的贫民窟特征。在自适应过程中，专家之间的预测一致性过滤掉不可靠的伪标签，使模型能够有效泛化到先前未见过的区域。GRAM在低资源环境（如非洲城市）中优于最先进的基线方法，为全球贫民窟测绘和数据驱动的城市规划提供了一种可扩展且标签高效的解决方案。