关于地球观测中表示不确定性的泛化

计算机视觉的最新进展引入了预训练表示不确定性的概念，实现了零样本不确定性估计。这对于可信度至关重要的地球观测（EO）具有巨大潜力，然而 EO 数据的复杂性给不确定性感知方法带来了挑战。在这项工作中，我们研究了 EO 中表示不确定性的泛化问题，并考虑了该领域独特的语义特征。我们在大型 EO 数据集上预训练不确定性，并提出了一种评估框架，以评估其在多标签分类和分割 EO 任务中的零样本性能。我们的研究结果表明，与在自然图像上预训练的不确定性不同，EO 预训练在未见过的 EO 领域、地理位置和目标粒度上表现出强大的泛化能力，同时保持对地面采样距离变化的敏感性。我们展示了预训练不确定性的实际效用，展示了它们在下游任务中与特定任务不确定性的对齐、对真实世界 EO 图像噪声的敏感性，以及开箱即用地生成空间不确定性估计的能力。作为对 EO 中表示不确定性讨论的发起，我们的研究提供了关于其优势和局限性的见解，为该领域的未来研究铺平了道路。代码和权重可在以下网址获取：https://github.com/Orion-AI-Lab/EOUncertaintyGeneralization。