利用置信度评估改进地球观测基础模型以增强语义分割

语义分割算法的置信度评估非常重要。理想情况下，深度学习模型应具备预先判断其输出是否可能错误的能力。评估地球观测(EO)分类中模型预测的置信度水平至关重要，因为它可以增强语义分割性能，并有助于在预测错误时防止对结果的进一步利用。我们开发的模型——用于增强语义分割的置信度评估(CAS)，在片段和像素两个层面评估置信度，同时输出标签和置信度分数。我们的模型CAS使用提出的组合置信度度量来识别具有错误预测标签的片段，优化模型，并提升其性能。这项工作具有重要的应用价值，特别是在评估地球观测基础模型在语义分割下游任务（例如，使用Sentinel-2卫星数据进行土地覆盖分类）中的表现。评估结果表明，该策略是有效的，并且所提出的CAS模型优于其他基线模型。