跨地域分割：卫星影像中公平迁移学习的必要性
计算机视觉与模式识别
2022-04-18 v3
摘要
高分辨率卫星影像的日益普及使得利用机器学习支持土地覆盖测量并为政策制定提供信息成为可能。然而，标注卫星图像成本高昂，且仅在部分地点可用。这促使人们使用迁移学习将数据丰富地区的模型适配到其他地区。鉴于卫星影像在各地具有潜在的高影响力应用，有必要对迁移学习的影响进行系统性评估。在本工作中，我们考虑土地覆盖分割任务，并研究跨地点迁移模型的公平性影响。我们利用一个大型卫星图像分割基准，其包含来自 18 个地区（9 个城镇与 9 个乡村）的 5987 张图像。通过公平性指标，我们量化了模型性能沿两个维度的差异——跨城镇-乡村地点以及跨土地覆盖类别。结果表明，最先进的模型在乡村地区相比城镇地区具有更好的总体精度，而无监督域适应方法向城镇而非乡村地区迁移得更好，并扩大了公平性差距。在对这些发现原因的分析中，我们表明原始卫星图像在源地区与目标地区之间对于乡村比城镇地点整体上更不相似。本工作凸显了对卫星影像分割模型进行公平性分析的需求，并激励开发公平迁移学习方法，以免在各地之间（尤其是城镇与乡村地点之间）引入差异。
引用
@article{arxiv.2204.04358,
title = {Segmenting across places: The need for fair transfer learning with satellite imagery},
author = {Miao Zhang and Harvineet Singh and Lazarus Chok and Rumi Chunara},
journal= {arXiv preprint arXiv:2204.04358},
year = {2022}
}