域适应方法是旨在提高特定目标域中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。

慕尼黑工业大学(TUM)的研究人员最近开发了一种通用域适应(UniDA)方法，可以提高经过训练以对远程传感器拍摄的图像进行分类的模型的性能。他们的论文发表在IEEE Transactions on Geoscience and Remote Sensing上，介绍了用于遥感图像场景分类的UniDA技术，以及用于UniDA的新模型适应(MA)网络和基于源数据的模型适应(SDG-MA)网络，用于没有源数据的UniDA。

“大多数现有的领域适应(DA)方法基于对源和目标标签空间(类别差距)之间关系的了解来解决不同领域之间的领域差距，例如闭集DA，部分DA和开放集DA，”进行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用的遥感图像分类，因为它们依赖于关于源标签集和目标域之间关系的丰富先验知识，并且由于隐私或机密性问题，源数据通常无法访问。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，不需要标签集的先验知识。

Shi和他的同事开发了一个双阶段框架，在存在和不存在相关源数据的情况下实现UniDA。该框架完成两个阶段，即源数据生成和模型目的适配阶段。

在第一阶段，框架估计源数据的条件分布。根据这些估计，在源数据不可用的情况下，它会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。

“有了这些合成源数据，如果目标样本属于源标签集中的任何类别，则正确分类目标样本或将其标记为'未知'，则成为UniDA的任务，”Shi解释说。“在第二阶段，一种新颖的可转移权重，可以区分每个领域中的共享标签集和自有标签集，从而促进自动发现的共享标签集中的适应，并成功识别'未知'样本。

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，无论标记的训练数据是否可用，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。

“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，因为它包括没有提供有关源数据分布的信息以及没有标签集的先验知识的情况，”Shi说。“我们将目标重新表述为估计条件分布，而不是贝叶斯理论源数据库的分布，这在理论上保证了数据生成的可靠性和效率。

总体而言，初步结果表明，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，我们无法选择正确的域适应方法(闭集 DA、部分 DA 或开放集 DA)，因为没有给出有关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。

今天，由于与特定场景相关的数据集稀缺，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。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)可能太大，以至于在其他平台上传输它们变得不方便或不可行。

该研究小组提出的UniDA框架可以帮助提高遥感任务模型的性能，即使在没有特定任务的训练数据集的情况下也是如此。此外，它可以激发为训练数据有限的其他实际应用开发类似的发展议程方法。

“在我们的实验中，模型适应中的可转移权重很难调整最佳阈值以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学习阈值。