面向卫星影像的星上模型训练：基于标签比例的方法
计算机视觉与模式识别
2023-12-12 v2
摘要
本工作致力于解决在轨平台上训练有监督机器学习或深度学习模型的挑战，这类平台通常受限于有限的星上硬件能力以及受限的上行带宽。我们旨在使在轨航天器能够（1）在获取影像时持续训练轻量模型；（2）在轨接收新标签以精炼甚至改变所训练的预测任务。为此，我们考虑芯片级回归任务（即预测20 km斑块的植被百分比），而仅拥有较粗的标签比例，例如市级植被统计（一个市包含若干斑块）。此类标签比例还具有额外优势：通常以表格数据形式提供，且在世界上许多地区与应用领域广泛可得。这可被构建为从标签比例学习（LLP）问题。LLP应用于地球观测（EO）数据仍属新兴领域，且由于缺少标准化数据集，在应用情景中开展比较研究仍具挑战。本工作中，首先，我们展示非常简单的深度学习与概率方法（约5K参数）通常优于标准更复杂的方法，在以更粗标签比例训练时能提供令人惊讶的较细粒度空间细节。其次，我们发布一组基准数据集，以支持LLP应用于EO的比较研究，同时提供细粒度标签与依现有行政区划聚合的数据。最后，我们展示该方法如何通过大幅减少计算量与标签集规模来适配星上训练场景。源代码见 https://github.com/rramosp/llpeo
引用
@article{arxiv.2306.12461,
title = {On-orbit model training for satellite imagery with label proportions},
author = {Raúl Ramos-Pollán and Fabio A. González},
journal= {arXiv preprint arXiv:2306.12461},
year = {2023}
}
备注
16 pages, 13 figures