TimeMatch：基于时移估计的无监督跨区域自适应
计算机视觉与模式识别
2022-05-10 v3 机器学习
摘要
最近，能够捕捉作物物候期复杂时间模式的深度学习模型的发展，极大地推进了基于卫星图像时间序列（SITS）的作物分类。然而，当应用于与训练区域在空间上不同的目标区域时，由于区域间作物物候期的时间偏移，这些模型在没有任何目标标签的情况下表现不佳。尽管近年来提出了各种无监督域自适应技术，但没有一种方法能显式学习 SITS 的时间偏移，因此对作物分类提供的收益有限。为了解决这个问题，我们提出了 TimeMatch，它显式地考虑了时间偏移，以改进基于 SITS 的域自适应。在 TimeMatch 中，我们首先使用源域训练模型的预测来估计从目标区域到源区域的时移。然后，我们通过一种迭代算法为目标区域重新训练模型，其中利用估计的偏移量来生成准确的目标伪标签。此外，我们引入了一个开放获取数据集，用于在欧洲四个不同区域进行基于 SITS 的跨区域自适应。在我们的数据集上，我们证明了 TimeMatch 在五种不同的自适应场景中平均 F1 分数比所有竞争方法高出 11%，在跨区域自适应中创造了新的 SOTA。
引用
@article{arxiv.2111.02682,
title = {TimeMatch: Unsupervised Cross-Region Adaptation by Temporal Shift Estimation},
author = {Joachim Nyborg and Charlotte Pelletier and Sébastien Lefèvre and Ira Assent},
journal= {arXiv preprint arXiv:2111.02682},
year = {2022}
}