结合自训练的无监督域适应架构搜索用于土地覆盖制图
计算机视觉与模式识别
2024-04-24 v1 神经与进化计算
摘要
无监督域适应（UDA）是土地覆盖制图中的一个具有挑战性的开放问题。先前的研究在解决土地覆盖制图遥感基准测试中的跨域分布偏移方面取得了令人鼓舞的进展。现有工作主要建立在大型神经网络架构之上，这使得它们成为资源消耗大的系统，限制了其在资源受限环境中的许多实际应用。因此，我们提出了一个简单而有效的框架，以在域偏移下自动搜索用于土地覆盖制图任务的轻量级神经网络。这是通过将马尔可夫随机场神经架构搜索（MRF-NAS）集成到自训练 UDA 框架中，以在有限的计算预算下搜索高效且有效的网络来实现的。这是首次将 NAS 与自训练 UDA 结合为单一框架用于土地覆盖制图的尝试。我们还在自训练方案中研究了两种不同的伪标记方法（基于置信度和基于能量）。在两个最近的遥感 UDA 数据集（OpenEarthMap 和 FLAIR #1）上的实验结果展示了令人满意的性能。最佳发现的轻量级网络仅具有不到 2M 的参数和 30.16 GFLOPs，在 OpenEarthMap 的区域目标域（59.38% mIoU）和 FLAIR #1 的考虑目标域（51.19% mIoU）上达到了最先进的性能。代码位于 https://github.com/cliffbb/UDA-NAS}{https://github.com/cliffbb/UDA-NAS。
引用
@article{arxiv.2404.14704,
title = {Unsupervised Domain Adaptation Architecture Search with Self-Training for Land Cover Mapping},
author = {Clifford Broni-Bediako and Junshi Xia and Naoto Yokoya},
journal= {arXiv preprint arXiv:2404.14704},
year = {2024}
}
备注
Accepted at CVPRW 2024