跨越先验迁移的鸿沟：现实稀释作物类型分类

现实世界的农业分布常常 suffer于严重的类别不平衡，通常遵循长尾分布。作物类型分类的标记数据集本质上稀缺且难以获取。当仅凭有限数据工作时，训练集常被人为构建为平衡的，特别是在few-shot学习情况下，无法反映真实世界条件。这种匹配导致训练和测试标签分布之间出现迁移，损害现实世界的泛化能力。为此，我们提出Dirichlet先验增强（DirPA），一种新方法，主动在模型训练期间模拟目标域未知标签分布偏斜。具体而言，我们将真实世界分布建模为Dirichlet分布的随机变量，有效地在few-shot学习期间进行先验增强。我们的实验表明，DirPA成功地移动了决策边界，通过充当动态特征正则化器来稳定训练过程。