DAReS:基于Rényi熵的无监督域适应框架实现跨生物群系热带森林砍伐语义分割

《Remote Sensing》:DARES: Rényi-Entropy Domain Adaptation for Forest Deforestation Segmentation

【字体: 大 中 小 】 时间:2026年10月21日 来源:Remote Sensing 4.3

编辑推荐:

   摘要 多光谱卫星影像的语义分割对于大规模热带森林砍伐监测至关重要,然而跨区域部署会因辐射、大气和地理协变量偏移而导致严重的精度下降。我们提出dares(基于Rényi熵的语义分割域适应框架),这是一种无监督域适应框架,能够在没有目标域训练标注的情况下,将森林砍伐制图模型跨

  

摘要

多光谱卫星影像的语义分割对于大规模热带森林砍伐监测至关重要,然而跨区域部署会因辐射、大气和地理协变量偏移而导致严重的精度下降。我们提出dares(基于Rényi熵的语义分割域适应框架),这是一种无监督域适应框架,能够在没有目标域训练标注的情况下,将森林砍伐制图模型跨生物群系进行迁移。其核心机制在最深特征网格上执行条件类 Rényi-2 ($\alpha=2$) 对齐,同时在目标域预测上进行解耦的置信度加权 Rényi-2 熵最小化,并在方法部分详细说明了防止退化解的稳定化策略。在一项从巴西亚马逊向哥伦比亚森林砍伐弧线进行生态关键性迁移任务中,使用 Sentinel-2 MSI 数据评估,dares 在中等辐射衰减条件下达到目标测试 mIoU 为 $72.4$($76.9$ DICE),数值上优于仅源域($58.7$)、ADVENT($64.2$)和 CBST($66.5$),同时保持了 $79.3$ 的源域判别力。在低→中→高压力梯度下,dares 呈现出非单调轨迹,从 $77.1$ 开始,低到高变化为 $12.3$ 个点,中间有下降而高端有反弹。在低压力阶段它并非最佳,ADVENT($78.0$)和仅源域($75.6$)超过其 $77.1$,而其优势从中等阶段开始显现(比 ADVENT 高出 $6.7$ 个点,比仅源域高出 $12.5$ 个点),代价是源域测试 mIoU 最低($75.2$)。组件分析表明,解耦熵最小化驱动目标域适应(移除后下降 $14.2$ 个点),而对齐、反坍缩下限和排斥作用则作为源域稳定正则化器而非目标域最大化器发挥作用。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号