[论文解读] Recent Advances in Domain Adaptation for the Classification of Remote Sensing Data

Devis Tuia, Claudio Persello+1 more|arXiv (Cornell University)|Apr 15, 2021

Remote-Sensing Image Classification参考文献 78被引用 13

一句话总结

本文综述了在因传感器、时间或大气条件差异导致训练数据与目标数据分布不一致时，用于遥感图像分类的近期域自适应（DA）方法。提出了一种DA技术的分类体系——特征不变性、表示匹配、分类器自适应和选择性采样，并根据数据特征和标注可用性提供了方法选择的实用指南，从而在真实遥感应用中实现稳健的迁移学习。

ABSTRACT

The success of supervised classification of remotely sensed images acquired over large geographical areas or at short time intervals strongly depends on the representativity of the samples used to train the classification algorithm and to define the model. When training samples are collected from an image (or a spatial region) different from the one used for mapping, spectral shifts between the two distributions are likely to make the model fail. Such shifts are generally due to differences in acquisition and atmospheric conditions or to changes in the nature of the object observed. In order to design classification methods that are robust to data-set shifts, recent remote sensing literature has considered solutions based on domain adaptation (DA) approaches. Inspired by machine learning literature, several DA methods have been proposed to solve specific problems in remote sensing data classification. This paper provides a critical review of the recent advances in DA for remote sensing and presents an overview of methods divided into four categories: i) invariant feature selection; ii) representation matching; iii) adaptation of classifiers and iv) selective sampling. We provide an overview of recent methodologies, as well as examples of application of the considered techniques to real remote sensing images characterized by very high spatial and spectral resolution. Finally, we propose guidelines to the selection of the method to use in real application scenarios.

研究动机与目标

• 解决因传感器、时间或大气条件不同导致的遥感图像分类挑战，即训练数据与目标数据存在光谱和空间分布差异。
• 通过复用不同领域中已有的标注数据，克服为每次新图像获取都需大量昂贵实地标注数据的瓶颈。
• 为在目标域标注数据稀缺或缺失的真实遥感应用中，系统性地回顾并提供选择域自适应策略的实用指导。
• 在多传感器、多时相和高分辨率成像等多样化遥感场景中，实现跨域稳健且可迁移的分类模型。
• 通过减少对重复实地调查的依赖，促进对动态地球观测过程的及时、准确监测。

提出的方法

• 将域自适应方法划分为四类：特征不变性选择、表示匹配、分类器自适应和选择性采样（主动学习）。
• 提出一种基于循环交叉验证的验证策略，将源域视为目标域、目标域视为源域，以在无目标标签的情况下评估自适应可行性。
• 采用线性和非线性方法（如PCA）实现全局数据对齐，以及基于聚类的方法（如GM、MA）实现局部、逐样本的变换。
• 应用基于核的方法（如核典型相关分析KCCA和最大均值差异MMD）实现跨域数据表示的对齐。
• 将主动学习与特征选择相结合，在标注受限但可行的情况下，迭代收集具有信息量的目标样本。
• 整合多种技术——例如，将特征不变性选择作为表示匹配的预处理步骤——以增强对复杂分布偏移的鲁棒性。

实验结果

研究问题

• RQ1 如何在数据分布偏移条件下，有效对遥感图像分类中的域自适应技术进行分类与应用？
• RQ2 全局方法（如PCA）与局部方法（如基于聚类的方法）在性能和灵活性方面有何关键差异？
• RQ3 当目标域无任何标注数据时，如何对域自适应进行验证？
• RQ4 在多样化遥感场景中，哪种域自适应策略组合能实现最稳健的性能表现？
• RQ5 基于数据可用性、传感器类型和分布偏移特征，可推导出哪些实用指南以选择最合适的域自适应方法？

主要发现

• 当从标注丰富的源域向标注稀疏或无标注的目标域迁移模型时，域自适应方法能显著提升分类准确率。
• 表示匹配方法（如KCCA和MMD）在处理中等至复杂分布偏移时，能有效对齐跨域数据分布。
• 当源域与目标域共享共同的基础特征时，特征不变性选择方法最为有效，能降低对光谱和空间变化的敏感性。
• 在标注可行但成本较高的情况下，基于主动学习的选择性采样优于纯无监督方法，尤其在检测剧烈类别分布偏移方面表现更优。
• 循环验证策略可在无需目标域标签的情况下可靠评估自适应效果，使其成为真实部署场景下的可行解决方案。
• 结合多种DA技术（如先进行特征选择，再进行表示匹配）的性能优于单独使用任一方法，尤其在严重分布偏移条件下表现更优。