热力学地球观测中的板内云分段迁移学习：从 Landsat 到 CubeSat 星座
计算机视觉与模式识别
2025-11-04 v1
摘要
板内云分段是热力学地球观测(EO)中关键且鲜有人关注的任务，尤其是受限于 CubeSat 任务硬件和光谱信息的限制。CubeSat 常依赖单一热带且缺乏足够标记数据，使传统云遮蔽技术不可行。本文通过在 FOREST-2 CubeSat 上应用迁移学习解决这些挑战，使用具有轻量级 MobileNet 编码器的 UNet。我们在公开的 Landsat-7 云覆盖评估数据集上预训练模型，并在小规模任务特定样本的联合训练设置下微调，将 FOREST-2 基线的宏 F1 分数从 0.850 提升至 0.877。我们将模型转换为 TensorRT 引擎，在 NVIDIA Jetson Nano 上演示全图推理耗时不足 5 秒。这些结果表明，利用公共数据集和轻量级架构可在轨道上实现准确、高效的热力学唯一云遮蔽，支持数据受限 EO 任务中的实时决策。
引用
@article{arxiv.2511.00357,
title = {Transfer Learning for Onboard Cloud Segmentation in Thermal Earth Observation: From Landsat to a CubeSat Constellation},
author = {Niklas Wölki and Lukas Kondmann and Christian Mollière and Martin Langer and Julia Gottfriedsen and Martin Werner},
journal= {arXiv preprint arXiv:2511.00357},
year = {2025}
}
备注
This work was presented at the TerraBytes Workshop at the 42nd International Conference on Machine Learning. This version is not part of the official ICML proceedings