基础模型在作物类型制图中的可推广性研究
计算机视觉与模式识别
2026-04-22 v5 机器学习
摘要
使用自监督学习预训练的基础模型在各种下游任务上显示出强大的迁移学习能力，包括语言理解、文本生成和图像识别。地球观测（EO）领域已产生多个直接针对多光谱卫星影像预训练的基础模型，用于精密农业、野火和干旱监测以及自然灾害响应等应用。然而，少数研究探讨了这些模型在新地理位置上的推广能力，而地理偏差潜在问题——即在数据丰富的发达国家训练的模型未能良好迁移到数据稀缺的发展中国家——仍然存在。我们对三个流行的EO基础模型（SSL4EO-S12、SatlasPretrain 和 ImageNet）在五大洲的五个作物分类数据集上进行评估。结果表明，针对Sentinel-2专门预训练的模型（如SSL4EO-S12）优于通用预训练模型（如ImageNet）。虽然仅需100张标记图像即可实现较高的总体准确率，但要缓解类别不平衡并提高平均准确率，需要900张标记图像。
关键词
引用
@article{arxiv.2409.09451,
title = {On the Generalizability of Foundation Models for Crop Type Mapping},
author = {Yi-Chia Chang and Adam J. Stewart and Favyen Bastani and Piper Wolters and Shreya Kannan and George R. Huber and Jingtong Wang and Arindam Banerjee},
journal= {arXiv preprint arXiv:2409.09451},
year = {2026}
}
备注
Accepted to IEEE IGARSS 2025. The final version is available in the Proceedings of the IEEE International Geoscience and Remote Sensing Symposium (IGARSS) 2025