SHRUG-FM：面向地表观测的可靠性感知基础模型
计算机视觉与模式识别
2026-04-21 v2 人工智能
机器学习
摘要
地表观测基础模型（GFMs）在预训练过程中未覆盖的环境中往往难以可靠地运行。我们提出了 SHRUG-FM，一个实现可靠性感知预测的框架，使 GFMs 能够识别并放弃可能的错误预测。我们的方法集成了三个互补信号：输入空间中的地理物理异常分布（OOD）检测、嵌入空间中的 OOD 检测，以及任务特定的预测不确定性。我们在三个高风险快速制图任务上评估了 SHRUG-FM：烧痕分割、洪水映射和滑坡检测。结果表明，SHRUG-FM 在保留样本上 consistently 降低了预测风险，超越了基于预测熵等单一信号基线方法。关键在于，SHRUG-FM 利用浅层“玻璃盒”决策树进行信号融合，提供了可解释的放弃阈值。它为在气候敏感型应用中更安全、更可解释地部署 GFMs 铺平了道路，弥合了基准性能与实际可靠性之间的鸿沟。
引用
@article{arxiv.2511.10370,
title = {SHRUG-FM: Reliability-Aware Foundation Models for Earth Observation},
author = {Maria Gonzalez-Calabuig and Kai-Hendrik Cohrs and Vishal Nedungadi and Zuzanna Osika and Ruben Cartuyvels and Steffen Knoblauch and Joppe Massant and Shruti Nath and Patrick Ebel and Vasileios Sitokonstantinou},
journal= {arXiv preprint arXiv:2511.10370},
year = {2026}
}
备注
Accepted for proceedings at CVPR EarthVision 2026