隐藏与寻觅：地球观测图像冗余性调查
计算机视觉与模式识别
2026-03-17 v1 人工智能
机器学习
摘要
地球观测（EO）数据的不断获取，以及计算机视觉的最新进展，推动了机器学习在EO中的快速发展，产生了规模不断扩大的领域特定模型。然而，这一进展风险忽略了区别于其他领域的EO数据基本性质。我们认为EO数据表现出多维冗余性（光谱、时间、空间和语义），其对领域及其应用的影响远大于当前文献所反映的程度。为验证这一假设，我们开展了系统的领域特定调查，检验该现象在EO关键维度（变异性）上的存在性、一致性及实际影响。我们的发现确认EO数据冗余性既实在且普遍：利用其冗余性可在训练与推理阶段实现相当于基准约98.5%的性能，却仅需约4倍更少的GFLOPs。关键的是，这些收益在任务、地理位置、传感器、地面采样距离和架构设计方面均保持一致；这表明多维冗余是EO数据的结构性属性，而非特定实验选择的副产物。这些结果为更高效、可扩展且可及的大规模EO模型奠定了基础。
引用
@article{arxiv.2603.13524,
title = {Hide and Seek: Investigating Redundancy in Earth Observation Imagery},
author = {Tasos Papazafeiropoulos and Nikolaos Ioannis Bountos and Nikolas Papadopoulos and Ioannis Papoutsis},
journal= {arXiv preprint arXiv:2603.13524},
year = {2026}
}