一种通用的遥感图像分类领域自适应技术-遥感图像可分为

不同的域适配方案。（a） 封闭集DA，假定源域和目标域具有共享的标签集。（b） 部分DA，假定目标标签集被视为源标签集的子集。（c） 开放式DA，假定源标签集被视为目标标签集的子集。（d） 通用DA，它不强加任何标签集的先验知识。标签集在每个域中分为共享标签集和私有标签集。（e） 没有源数据的通用发展议程。源数据集在遥感的实用通用DA场景中不可用

领域自适应方法是设计用于提高特定目标领域计算模型性能的技术。这些技术对于解决只有有限数量的相关注释数据的问题特别有价值，因此训练机器学习算法特别具有挑战性。

慕尼黑技术大学（TUM）的研究人员最近开发了一种通用领域自适应（UniDA）方法，该方法可以提高经过训练的模型的性能，以对遥感器拍摄的图像进行分类。他们的论文发表在《IEEE地球科学与遥感汇刊》上，介绍了一种用于遥感图像场景分类的UniDA技术，以及一种新的模型自适应（MA）网络和基于源数据生成的模型自适应网络（SDG-MA），用于无源数据的UniDA。

“大多数现有的领域适应（DA）方法都是基于对源和目标标签空间之间的关系（类别差距）的了解来解决不同领域之间的领域差距，例如封闭集DA、部分DA和开放集DA，”开展这项研究的研究人员之一Yilei Shi告诉Tech Xplore。

“这些方法通常不太适合实际的遥感图像分类，因为它们依赖于关于源标签集和目标域之间关系的丰富的先验知识，并且源数据由于隐私或保密问题通常不可访问。为此，我们提出了一种用于遥感图像场景分类的实用UniDA设置，该设置需要没有关于标签集的先验知识。”

Shi和他的同事开发了一个双阶段框架，在相关源数据存在和不存在的情况下实现UniDA。该框架完成了两个阶段，即源数据生成和模型调整阶段。

在这些阶段的第一阶段，框架估计源数据的条件分布。基于这些估计，在源数据不可用的情况下，它生成与给定任务相关的图像内容和样式匹配的合成源图像。

“有了这些合成的源数据，如果目标样本属于源标签集合中的任何类别，或者将其标记为‘未知’，则将其正确分类成为UniDA的任务，”Shi解释道。“在第二阶段，区分每个域中的共享标签集和私有标签集的新颖的可转移权重促进了自动发现的共享标签集中的自适应，并成功识别了‘未知’样本。”

拟议的无源数据统一发展计划概述（可持续发展目标千年生态系统评估）。该模型由源数据生成阶段和模型适配阶段组成

Shi和他的同事在一系列测试中评估了他们的UniDA技术。他们发现，无论是否有标记的训练数据可用，它都可以有效地提高模型在遥感图像场景分类任务中的性能。

Shi说:“我们提出的用于遥感图像场景分类的UniDA设置比其他设置更实用和更具挑战性，因为它包括了没有关于源数据分布信息和没有关于标签集的先验知识的情况。”“我们将目标重新定义为估计源数据的条件分布，而不是基于贝叶斯理论的分布，这在理论上保证了数据生成的可靠性和效率。”

总的来说，初步研究结果表明，该团队的UniDA框架既有效又实用。此外，与其他现有的测量不确定性的方法相比，Shi和他的同事提出的可转移权重方法可以更好地区分不确定性，特别是在分类分布相对均匀的情况下。

“我们的研究可以作为一个具有挑战性的UniDA遥感图像设置的起点，”Shi说。“基于这项工作，我们可以解决遥感领域的两个实际问题。首先，在一般情况下，我们无法选择适当的域自适应方法(封闭集DA、部分DA或开放集DA)，因为没有给定关于目标域标签集的先验知识。其次，我们可以解决源数据集不可用的情况。”

如今，在现实世界的遥感任务上有效地训练计算模型可能具有挑战性，因为与特定场景相关的数据集很少。例如，由于数据隐私和安全问题，许多卫星公司和用户不共享他们的数据。在其他情况下，源数据集(例如，高分辨率遥感图像)可能非常大，以至于在其他平台上传输它们变得不方便或不可行。

这组研究人员提出的UniDA框架可以帮助提高模型在遥感任务上的性能，即使在缺乏特定任务的训练数据集的情况下。此外，它还可以启发开发类似的DA方法，用于训练数据有限的其他现实应用。

“在我们的实验中，模型自适应中的可转移权重很难调整一个最 佳阈值，将其应用于遥感图像的所有UniDA任务，”Shi补充道。“因此，在我们未来的研究中，我们将专注于通过使用开放集分类器自适应地学习阈值。”