CoDEx: Combining Domain Expertise for Spatial Generalization in Satellite Image Analysis

要約

地形の外観のグローバルなバリエーションは、衛星画像分析の大きな課題を引き起こし、テスト時に遭遇した場所とは異なる場所でのトレーニングの際にモデルのパフォーマンスが低下します。
これは、最近の大規模なグローバルデータセットでも真実のままです。
この課題に対処するために、衛星画像用の新しいドメインジェネレーションフレームワークを提案します。
単一の一般化可能なモデルを学習しようとする代わりに、トレーニングドメインごとに1つの専門家モデルをトレーニングし、専門家の類似性を学び、同様の専門家が一貫性を持たせることを奨励しています。
モデル選択モジュールは、特定のテストサンプルに最も適した専門家を識別し、予測を集約します。
4つのデータセット（DynamicearthNet、Muds、OSCD、およびFMOW）での実験は、既存のドメイン一般化と適応方法に対する一貫した利益を示しています。
私たちのコードは、https://github.com/abhishek19009/codexで公開されています。

要約(オリジナル)

Global variations in terrain appearance raise a major challenge for satellite image analysis, leading to poor model performance when training on locations that differ from those encountered at test time. This remains true even with recent large global datasets. To address this challenge, we propose a novel domain-generalization framework for satellite images. Instead of trying to learn a single generalizable model, we train one expert model per training domain, while learning experts’ similarity and encouraging similar experts to be consistent. A model selection module then identifies the most suitable experts for a given test sample and aggregates their predictions. Experiments on four datasets (DynamicEarthNet, MUDS, OSCD, and FMoW) demonstrate consistent gains over existing domain generalization and adaptation methods. Our code is publicly available at https://github.com/Abhishek19009/CoDEx.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google