遥感深度图像回归的基于不确定性引导的边缘学习
计算机视觉与模式识别
2026-05-08 v1
摘要
边缘学习指的是在边缘平台上训练机器学习模型，通常使用新收集的 onboard 数据。边缘设备的计算限制不仅影响模型优化，还影响其对未标记数据上预测不确定性的计算，而这种不确定性对于指导模型更新至关重要。本文探讨了在遥感卫星上进行深度图像回归的边缘学习问题，具体为 onboard 计算机执行深度网络，对输入图像进行回归预测标量y(例如，y为表示云覆盖或土地利用的像素百分比)。我们提出了一种基于不确定性引导的边缘学习(UGEL)算法，能够准确地优先排序数据，以加快 onboard 回归模型训练收敛速度。UGEL的核心是基于深度beta回归计算预测不确定性，深度网络用于估计目标y对于输入图像具有高似然性的beta分布参数。与要求在边缘设备上进行大量前向传播(例如，每个样本多个前向传播)或对预测分布做出严格假设(例如，Gaussian)的不确定性估计方法相比，深度beta回归仅需一次前向传播即可计算，允许更通用的预测分布。结果表明，UGEL比主动学习或半监督学习能更快地实现收敛。代码和模型已在https://github.com/anh-vunguyen/UGEL上公开。
引用
@article{arxiv.2605.05590,
title = {Uncertainty-Guided Edge Learning for Deep Image Regression in Remote Sensing},
author = {Anh Vu Nguyen and Dino Sejdinovic and Tat-Jun Chin},
journal= {arXiv preprint arXiv:2605.05590},
year = {2026}
}
备注
AI4Space @ CVPR 2026