Exploring selective image matching methods for zero-shot and few-sample unsupervised domain adaptation of urban canopy prediction

要約

私たちは、ドメイン適応型分類器のトレーニングや広範な微調整を必要とせずに、リモートで検知されたデータを使用して、林冠の被覆と高さを予測するトレーニング済みマルチタスク UNet を新しい地理的設定に適応させるための簡単な方法を探索します。
以前の研究を拡張して、選択的位置合わせプロセスに従って 2 つの地理的ドメインで類似した画像を特定し、その後、一連のデータベースの教師なしドメイン適応アプローチをゼロショット設定および少量の微調整でテストしました。
選択的に位置合わせされたデータベースの画像マッチング手法は、ゼロショット設定でも有望な結果をもたらし、少量の微調整でさらに有望な結果が得られることがわかりました。
これらの方法は、未変換のベースラインと一般的なデータベースの画像から画像への変換モデルの両方を上回ります。
最高のパフォーマンスを発揮した方法は、樹冠カバーと高さのタスクそれぞれに対するピクセル分布適応とフーリエ ドメイン適応でした。

要約(オリジナル)

We explore simple methods for adapting a trained multi-task UNet which predicts canopy cover and height to a new geographic setting using remotely sensed data without the need of training a domain-adaptive classifier and extensive fine-tuning. Extending previous research, we followed a selective alignment process to identify similar images in the two geographical domains and then tested an array of data-based unsupervised domain adaptation approaches in a zero-shot setting as well as with a small amount of fine-tuning. We find that the selective aligned data-based image matching methods produce promising results in a zero-shot setting, and even more so with a small amount of fine-tuning. These methods outperform both an untransformed baseline and a popular data-based image-to-image translation model. The best performing methods were pixel distribution adaptation and fourier domain adaptation on the canopy cover and height tasks respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google