基于低饱和置信度分布的遥感图像跨域分类测试时适应方法
计算机视觉与模式识别
2025-04-01 v2
摘要
无监督域适应（UDA）已成为解决遥感（RS）应用中各种分布迁移的强大技术。然而，大多数 UDA 方法需要访问源数据，这可能因数据隐私或传输限制而不可行。源自由域适应解决了源数据缺失的问题，但通常需要事先获取大量目标域数据，这限制了快速适应并限制了其在更广泛场景中的适用性。在实际的跨域 RS 图像分类中，在适应速度和准确性之间取得平衡至关重要。因此，我们提出了低饱和置信度分布测试时适应（LSCD-TTA），首次尝试在不要求源数据或目标训练数据的情况下探索遥感图像跨域分类的测试时适应。LSCD-TTA 只使用在推理期间遇到的目标测试数据，对源训练模型进行即时且高效的适应，同时保持高准确率。具体而言，LSCD-TTA 纳入了针对 RS 图像分布特征的三个优化策略。首先，弱置信度 Softmax 熵损失强调更难分类的类别以解决类别不平衡问题。其次，平衡类别 Softmax 熵损失软化和平衡预测概率以应对类别多样性。最后，低饱和分布损失利用软对数似然比来减少后期阶段中低置信度样本的影响。通过有效地组合这些损失，LSCD-TTA 使 RS 图像分类能够快速且准确地适应目标域。
引用
@article{arxiv.2408.16265,
title = {Low Saturation Confidence Distribution-based Test-Time Adaptation for Cross-Domain Remote Sensing Image Classification},
author = {Yu Liang and Shilei Cao and Xiucheng Zhang and Juepeng Zheng and Jianxi Huang and Haohuan Fu},
journal= {arXiv preprint arXiv:2408.16265},
year = {2025}
}