遥感数据语义分割学习模型的可迁移性研究
计算机视觉与模式识别
2023-10-17 v1
摘要
近期基于深度学习的方法在遥感（RS）语义分割/分类任务上优于传统学习方法。然而，它们需要大规模训练数据集，且由于不同地理区域RS图像内容高度异构，通常被认为缺乏可迁移性。但迄今尚无对其可迁移性的全面分析，即源域上训练的模型在多大程度上可直接应用于目标域。因此，本文旨在研究传统与深度学习（DL）模型的原始可迁移性，以及域适应（DA）方法在增强DL模型可迁移性（适配可迁移性）上的有效性。通过利用四个高度异构的RS数据集，我们训练了六个结合三种DA方法与不结合DA方法的模型，以定量分析了它们在这些数据集间的可迁移性。此外，我们开发了一种利用光谱指数作为媒介来量化模型可迁移性的简便方法，并证明了其在目标域无标签时评估模型可迁移性的有效性。实验得出了若干关于原始与适配可迁移性的一般重要却鲜有报道的观察。而且，我们提出的无标签可迁移性评估方法经验证优于后验模型置信度。这些发现可指导未来通用RS学习模型的开发。训练模型发布于：https://github.com/GDAOSU/Transferability-Remote-Sensing
引用
@article{arxiv.2310.10490,
title = {On the Transferability of Learning Models for Semantic Segmentation for Remote Sensing Data},
author = {Rongjun Qin and Guixiang Zhang and Yang Tang},
journal= {arXiv preprint arXiv:2310.10490},
year = {2023}
}
备注
4 Figures