Get Your Embedding Space in Order: Domain-Adaptive Regression for Forest Monitoring

要約

画像レベルの回帰は地球観察における重要なタスクであり、視覚領域とラベルのシフトは一般化を妨げる中心的な課題です。
ただし、リモート センシング データを使用したクロスドメイン回帰は、適切なデータセットが存在しないため、依然として研究が進んでいません。
3 つの森林関連の回帰タスクを伴う 5 か国の航空写真と衛星画像を含む新しいデータセットを紹介します。
現実世界の適用上の関心に一致させるために、トレーニング中にターゲット ドメインに関する事前情報が利用できず、テスト中に限られた情報でモデルが適応されるという制限的な設定を通じてメソッドを比較します。
順序付けられた関係がより一般化されるという仮定に基づいて、低データ領域での変換の強力なベースラインとして回帰の多様体拡散を提案します。
私たちの比較は、クロスドメイン回帰における帰納的手法と変換的手法の比較上の利点を強調しています。

要約(オリジナル)

Image-level regression is an important task in Earth observation, where visual domain and label shifts are a core challenge hampering generalization. However, cross-domain regression with remote sensing data remains understudied due to the absence of suited datasets. We introduce a new dataset with aerial and satellite imagery in five countries with three forest-related regression tasks. To match real-world applicative interests, we compare methods through a restrictive setup where no prior on the target domain is available during training, and models are adapted with limited information during testing. Building on the assumption that ordered relationships generalize better, we propose manifold diffusion for regression as a strong baseline for transduction in low-data regimes. Our comparison highlights the comparative advantages of inductive and transductive methods in cross-domain regression.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google