远程感知图像的去偏表示学习
计算机视觉与模式识别
2024-10-08 v1
摘要
远程感知（RS）图像需要专用卫星收集且难以标注，在某些频谱中存在数据稀缺和类别不平衡问题。由于数据稀缺，从头训练任何大规模RS模型都不现实，替代方法是通过微调或更数据高效的方法LoRA进行迁移学习。由于类别不平衡，迁移模型显示出强烈偏差，主要类的特征支配次类的特征。在本文中，我们提出了debLoRA，一种可与任何LoRA变体合作以产生去偏特征的通用训练方法。它是一种无监督学习方法，可基于主要类与次类共享的属性来多样化次类特征，其中属性通过简单的聚类步骤获得。为评估其效果，我们在RS领域的两种迁移学习场景中进行了大量实验：从自然图像到光学RS图像，以及从光学RS图像到多光谱RS图像。我们在DOTA光学RS数据集和FUSRS SAR数据集上执行对象分类和有向对象检测任务。结果表明，debLoRA在这些RS适应设置下一致优于先前的方法，在自然图像到光学RS和光学RS到多光谱RS适应中分别在尾部类别上实现了最高可达3.3和4.7个百分点的提升，同时保持对主要类别的性能，实证其有效性和适应性。
引用
@article{arxiv.2410.04546,
title = {Learning De-Biased Representations for Remote-Sensing Imagery},
author = {Zichen Tian and Zhaozheng Chen and Qianru Sun},
journal= {arXiv preprint arXiv:2410.04546},
year = {2024}
}