GeoCrossBench：遥感图像跨波段泛化基准
机器学习
2025-11-05 v1
摘要
随着遥感卫星数量和多样性的不断增长，绝大多数标注数据仍来源于较老的卫星。随着面向地球观测的基础模型规模不断提升，为新卫星进行（再）训练的成本也随之上升，因此模型对新卫星的泛化能力变得日益重要。本文引入 GeoCrossBench，这是对流行 GeoBench 基准的扩展，包含新的评估协议：测试其在分布内性能；对无波段重叠的卫星进行泛化；以及相对于训练集，对额外波段的卫星进行泛化。我们还开发了 ChannelViT、ChiViT 的自监督扩展，以提高其跨卫星性能。首先，我们表明，即便是遥感领域最好的基础模型（DOFA、TerraFM），在分布内设置下也不如通用模型 DINOv3。其次，在无波段重叠的新卫星上泛化时，所有模型性能下降 2-4 倍，ChiViT 显著优于第二名的 DINOv3。再次，当测试时给定额外波段时，所有测试模型的平均性能下降 5-25%。最后，我们表明仅通过来自所有波段的 oracle 标签对这些模型的最后一层线性层进行微调，即可在所有卫星上获得相对稳定的性能，表明该基准仍远未饱和。我们公开代码和数据集，以鼓励开发更具未来前景的遥感模型，具有更强的跨卫星泛化能力。
关键词
引用
@article{arxiv.2511.02831,
title = {GeoCrossBench: Cross-Band Generalization for Remote Sensing},
author = {Hakob Tamazyan and Ani Vanyan and Alvard Barseghyan and Anna Khosrovyan and Evan Shelhamer and Hrant Khachatrian},
journal= {arXiv preprint arXiv:2511.02831},
year = {2025}
}