GeoMultiTaskNet：利用地理坐标的遥感无监督域适应方法
计算机视觉与模式识别
2023-04-18 v1
摘要
土地覆盖图在广泛的地球观测（EO）应用中是关键要素。然而，标注大型数据集以开发用于遥感（RS）语义分割的监督系统成本高且耗时。无监督域适应（UDA）可通过将源域（有标签）上训练的模型适应到无标注的目标域来解决这些问题。UDA 在计算机视觉中虽日益重要，但在 RS 中仍研究不足。因此，我们提出了一种轻量新模型 GeoMultiTaskNet，基于两点贡献：利用地理坐标对齐源域与目标域的 GeoMultiTask 模块（GeoMT），以及使语义分割损失适应类别频率的动态类别采样（DCS）策略。该方法是首个在语义分割 UDA 中使用地理元数据的方法。它在 FLAIR 数据集的一个子集上达到了最先进的性能（47.22% mIoU），同时将参数量减少至 33M；FLAIR 是近期提出的、适于 RS UDA 的数据集，本文首次将其用于研究目的。
引用
@article{arxiv.2304.07750,
title = {GeoMultiTaskNet: remote sensing unsupervised domain adaptation using geographical coordinates},
author = {Valerio Marsocci and Nicolas Gonthier and Anatol Garioud and Simone Scardapane and Clément Mallet},
journal= {arXiv preprint arXiv:2304.07750},
year = {2023}
}