利用电光到 SAR 少样本迁移学习进行土地利用预测
计算机视觉与模式识别
2022-12-07 v1 人工智能
机器学习
摘要
卫星图像分析对土地利用、城市化和生态系统监测具有重要意义。深度学习方法可通过支持模态间的知识迁移来弥补各自不足，从而促进对电光（EO）与合成孔径雷达（SAR）等不同卫星模态的分析。近期进展表明，通过采用切片 Wasserstein 距离（SWD）损失对神经网络嵌入进行分布对齐，可生成强大的迁移学习模型。我们分析了该方法如何应用于 Sentinel-1 与 -2 卫星影像，并开发了若干扩展使其在实践中有效。在少样本局部气候区（LCZ）预测的应用中，我们表明这些网络在具有大量类别的数据集上优于多个常见基线。此外，我们提供证据表明实例归一化可显著稳定训练过程，且通过监督对比学习显式塑造嵌入空间可带来性能提升。
引用
@article{arxiv.2212.03084,
title = {Land Use Prediction using Electro-Optical to SAR Few-Shot Transfer Learning},
author = {Marcel Hussing and Karen Li and Eric Eaton},
journal= {arXiv preprint arXiv:2212.03084},
year = {2022}
}
备注
Published at Tackling Climate Change with Machine Learning workshop at NeurIPS 2022