Универсальный метод адаптации предметной области для классификации изображений дистанционного зондирования.
Подходы к адаптации домена — это методы, разработанные для повышения производительности вычислительных моделей в конкретных целевых доменах. Эти методы особенно ценны для решения проблем, для которых существует лишь ограниченный объем соответствующих аннотированных данных и для которых обучение алгоритмов машинного обучения, таким образом, является особенно сложным.
Исследователи из Мюнхенского технического университета (TUM) недавно разработали подход универсальной адаптации домена (UniDA), который может повысить производительность моделей, обученных классифицировать изображения, полученные удаленными датчиками. В их статье, опубликованной в IEEE Transactions on Geoscience and Remote Sensing , представлена методика UniDA для классификации сцен изображений дистанционного зондирования, а также новая сеть адаптации модели (MA) и сеть адаптации модели на основе генерации исходных данных (SDG-MA) для UniDA. без исходных данных.
«Большинство существующих подходов к адаптации домена (DA) устраняют разрыв домена между различными доменами на основе знания взаимосвязи между исходным и целевым пространством меток (пробел в категории), например закрытый набор DA, частичный DA и открытый набор DA. », — сказал Tech Xplore один из исследователей, проводивших исследование, Юлей Ши.
«Эти подходы обычно плохо подходят для практической классификации изображений дистанционного зондирования, поскольку они основаны на обширных предварительных знаниях о взаимосвязи между исходными наборами меток и целевыми доменами, а исходные данные часто недоступны из-за проблем с конфиденциальностью или конфиденциальностью. С этой целью мы предлагаем практичную настройку UniDA для классификации сцен изображений дистанционного зондирования, которая не требует предварительных знаний о наборах меток».
Ши и его коллеги разработали двухэтапную структуру, которая обеспечивает UniDA как при наличии, так и при отсутствии соответствующих исходных данных. Эта структура завершает два этапа, а именно генерацию исходных данных и этап адаптации модели.
На первом из этих этапов фреймворк оценивает условное распределение исходных данных. На основе этих оценок он генерирует синтетические исходные изображения, которые соответствуют как содержанию, так и стилю изображений, соответствующих заданной задаче, в случаях, когда исходные данные недоступны.
«С этими синтетическими исходными данными задача UniDA состоит в том, чтобы правильно классифицировать целевой образец, если он принадлежит к какой-либо категории в наборе исходных меток, или пометить его как «неизвестный» в противном случае», — пояснил Ши. «На втором этапе новый передаваемый вес, который различает наборы общих и частных меток в каждом домене, способствует адаптации в автоматически обнаруженном наборе общих меток и успешно распознает «неизвестные» образцы».
Ши и его коллеги оценили свою технику UniDA в серии тестов. Они обнаружили, что это может эффективно повысить производительность моделей в задачах классификации сцен изображений дистанционного зондирования, независимо от того, были ли доступны помеченные обучающие данные или нет.
«Предложенная нами настройка UniDA для классификации сцен изображений дистанционного зондирования является более практичной и сложной, чем другие настройки, поскольку она включает случаи, в которых не предоставляется информация о распределении исходных данных и предварительных знаний о наборах меток», — сказал Ши. «Мы переформулировали цель как оценку условного распределения, а не распределения исходной базы данных по байесовской теории, которая теоретически гарантирует надежность и эффективность генерации данных».
В целом, первоначальные результаты показывают, что структура UniDA, разработанная командой, эффективна и практична. Более того, по сравнению с другими существующими методами измерения неопределенности подход с переносимым весом, предложенный Ши и его коллегами, может лучше различать неопределенность, особенно в случаях, когда категориальные распределения относительно однородны.
«Наше исследование может служить отправной точкой в сложных условиях UniDA для изображений дистанционного зондирования», — сказал Ши. «Основываясь на этой работе, мы можем решить две практические проблемы в области дистанционного зондирования. Во-первых, в общем сценарии мы не можем выбрать правильные методы адаптации предметной области (DA с закрытым набором, частичный DA или DA с открытым набором), потому что никаких предварительных сведений о наборе меток целевого домена не дается. Во-вторых, мы можем решать случаи, когда исходные наборы данных недоступны».
Сегодня эффективное обучение вычислительных моделей реальным задачам дистанционного зондирования может быть сложной задачей, поскольку наборы данных, относящиеся к конкретным сценариям, скудны. Например, многие спутниковые компании и пользователи не делятся своими данными из-за проблем с конфиденциальностью и безопасностью данных. В других случаях исходные наборы данных (например, изображения дистанционного зондирования высокого разрешения) могут быть настолько большими, что их перенос на другие платформы становится неудобным или невыполнимым.
Структура UniDA, предложенная этой группой исследователей, может помочь повысить производительность моделей в задачах дистанционного зондирования даже при отсутствии обучающих наборов данных для конкретных задач. Кроме того, это может вдохновить на разработку аналогичных подходов DA для других реальных приложений, для которых данные для обучения ограничены.
«В наших экспериментах переносимому весу в адаптации модели трудно настроить оптимальный порог, чтобы применить его ко всем задачам UniDA по изображениям дистанционного зондирования», — добавил Ши. «Таким образом, в наших будущих исследованиях мы сосредоточимся на адаптивном изучении порога с помощью классификатора с открытым набором».
