【深度学习地学应用|滑坡制图、变化检测、多目标域适应、感知学习、深度学习】跨域大尺度遥感影像滑坡制图方法：基于原型引导的领域感知渐进表示学习（二）

【深度学习地学应用|滑坡制图、变化检测、多目标域适应、感知学习、深度学习】跨域大尺度遥感影像滑坡制图方法：基于原型引导的领域感知渐进表示学习（二）

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文：
详细信息可关注V “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/145551342

DOI: 10.1016/j.isprsjprs.2023.01.018

跨域大尺度遥感影像滑坡制图方法：基于原型引导的领域感知渐进表示学习

引言

尽管深度学习已成为滑坡制图的标准技术，但其优越的性能依赖于大量标注数据来进行网络训练（Li 等，2021b）。在实践中，遥感影像的像素级标注尤其劳动密集且耗时，并且通常需要广泛的专家知识。此外，当训练数据和测试数据差异较大时，在标注领域训练的深度模型无法有效地表征未见领域的影像数据，从而导致性能显著下降（Peng 等，2022）。

因此，开发具有迁移能力的深度模型在文献中引起了越来越多的关注（Huang 等，2018；Tong 等，2020）。领域适应（DA）技术，作为一种典型的迁移学习方法，已被应用于改善深度学习模型在无标注目标领域上的性能。特别地，无监督领域适应（UDA）仅使用源领域的标注样本来对齐两个领域之间的分布偏移（Tsai 等，2018；Vu 等，2019；Pan 等，2020）。在遥感领域，针对影像数据的密集像素标注，已开发出带有差异度量、对抗学习和自训练的UDA方法（Peng 等，2022）。最近的研究集中在通过对抗学习减少领域差异，同时利用伪标注样本执行类别级特征对齐，以提高适应性能（Yan 等，2020, 2022；Peng 等，2022）。

大多数文献中的UDA方法集中在单源到单目标的领域适应（STDA）场景中。然而，在许多遥感应用中，会遇到来自不同领域的异质数据集（Ghassemi 等，2019）。在滑坡制图中，异质影像数据可能表现出不同的成像模式、光照条件和光谱特性。此外，不同地形中的滑坡可能有不同的诱因、地表覆盖类型、形态和土壤表面特征（Kurtz 等，2014；Li 等，2016b），从而导致多个领域具有不同的数据分布，这对自动滑坡制图提出了挑战（Kurtz 等，2014）。

另一方面，在实践中，收集来自异质领域的像素级标注以训练不同模型是极为困难的。因此，开发多目标领域适应（MTDA）方法以训练一个在多个异质领域上都能表现良好的稳健深度学习模型，变得尤为重要（Gholami 等，2020；Tasar 等，2021）。MTDA作为计算机视觉和遥感研究中的一个新兴课题，已经在文献中引起了广泛关注，因为它旨在学习一个能够在所有目标领域中同时表现良好的稳健模型（Gholami 等，2020；Isobe 等，2021）。MTDA方法在基于深度学习的滑坡制图中面临若干挑战：

• （1）当目标领域具有较高的异质性并存在各种领域偏差时，难以学习到适用于滑坡制图任务的稳健表示。
• （2）由于来自不同领域的滑坡对象通常具有不同的表示分布，缺乏领域特定的监督信息会阻碍跨领域可迁移知识的发现（Isobe 等，2021）。因此，适应后的模型往往存在偏差，无法在所有领域中保证良好的预测准确性。
• （3）双时相图像之间的空间位移和辐射差异可能引入噪声，从而影响滑坡制图。此外，偏倚模型生成的噪声伪标注可能扰乱适应过程（Zhang 等，2021a）。

基于以上挑战，本文提出了一种原型引导的领域感知渐进表示学习（PG-DPRL）框架，用于基于异质VHR遥感影像数据的跨域滑坡制图。PG-DPRL旨在优化基于编码-解码器的滑坡制图网络，使其能够在多种未见数据集上表现良好，减少源领域和目标领域之间的表示分布差异，并利用不同目标领域之间共享的知识。

本研究的主要贡献如下：

• 提出了一个基于MTDA的新方法——PG-DPRL，用于解决滑坡制图网络在多个异质领域上的标签稀缺问题和弱泛化能力。据我们所知，这是首次探讨将MTDA应用于滑坡制图和变化检测问题。
• 提出了一个近到远的适应方案，逐步对齐所有目标领域的表示分布与源领域，考虑领域之间的差异。在该方案中，充分利用原型学习从不同领域生成可靠的伪标注信息，并通过这些伪标注在跨领域聚合表示，从而共同学习一个稳健的决策边界。
• 开发了一个原型引导的对抗学习（PGAL）算法，应用类别级表示对齐，并通过跨域聚合原型引导推理过程。实验结果表明，PG-DPRL在多个跨域滑坡制图任务中均表现出色，显著优于现有的最先进方法。
• 建立了一个大规模基准，即全球超高分辨率滑坡制图（GVLM）数据集，该数据集包含来自全球 17 个滑坡地点的精细标注，有望推动滑坡制图和变化检测研究的发展。

本文的结构安排如下：第 2 节简要介绍了相关工作；第 3 节详细阐述了所提出的用于跨域滑坡制图的 MTDA 方法；第 4 节介绍了 GVLM 数据集；第 5 节对所提出方法的性能进行了实验评估；第 6 节对实验结果进行了深入讨论；最后，第 7 节给出了本文的结论。

下节请参考：【深度学习地学应用|滑坡制图、变化检测、多目标域适应、感知学习、深度学习】跨域大尺度遥感影像滑坡制图方法：基于原型引导的领域感知渐进表示学习（三）