空间知识注入的分层学习：在地球影像洪水制图中的应用

面向地球影像的深度学习在农业、生态和自然灾害管理等地球科学应用中发挥着日益重要的作用。然而，进展常常受到有限训练标签的制约。给定带有有限训练标签的地球影像、一个基础深度神经网络模型以及一个带有标签约束的空间知识库，我们的问题是在训练神经网络的同时推断完整标签。该问题具有挑战性，原因在于输入标签稀疏且含噪、标签推断过程中的空间不确定性以及与大量样本位置相关的高计算成本。现有的神经符号模型研究侧重于将符号逻辑集成到神经网络中（例如，损失函数、模型架构和训练标签增强），但这些方法并未完全解决空间数据的挑战（例如，空间不确定性、空间粒度与计算成本之间的权衡）。为了弥合这一差距，我们提出了一种新颖的空间知识注入的分层学习（SKI-HL）框架，该框架在多分辨率层次结构中迭代推断样本标签。我们的框架包含一个基于空间不确定性选择性推断不同分辨率标签的模块，以及一个利用不确定性感知多实例学习训练神经网络参数的模块。在真实世界洪水制图数据集上的大量实验表明，所提出的模型优于多种基线方法。代码可在\url{https://github.com/ZelinXu2000/SKI-HL}获取。