m0_60231311的博客

目前可用的领域自适应（DA）方法通常不太适合遥感图像分类的实际DA场景，因为这些方法（如无监督DA）依赖于丰富的关于源域和目标域标签集之间关系的先验知识，并且由于隐私或机密性问题，源数据通常不可访问。为此，我们提出了一种实用的通用DA （UniDA）设置，用于遥感图像场景分类，该设置不需要对标签集有先验知识。此外，针对源数据不可用的情况，提出了一种新的无源数据UniDA方法。模型的体系结构分为源数据生成阶段和模型自适应阶段。

在本文中，我们的目标是通过探索卫星/空中/地面视图的潜在相关性来学习图像的统一表示。受领域自适应(DA)最新进展的启发，我们为此提出了一种新的特定任务的DA方法。与传统的DA方法不同的是，该方法不仅应用了特定于任务的分类器，而且在自适应过程中针对不同的领域引入了特定于领域的任务。实验在两个新提出的地面/卫星到空中场景适应(GSSA)数据集上进行。由于地面/卫星场景与航空场景之间的语义差距远大于地面场景之间的语义差距，因此这些场景之间的数据处理任务比传统的数据处理任务更具挑战性。

论文：Domain Adaptive Remote Sensing Scene Recognition via Semantic Relationship。

论文：Domain Adaptation via a Task-Specific Classifier Framework for Remote Sensing Cross-Scene Classification。

首先使用Meta-Net在每个transformer编码器层生成特定于示例的提示令牌。最后，类令牌、输入上下文令牌和提示令牌作为输入连接到冻结的transformer层。在下游分类任务的训练中，只更mate网和线性头部的参数，而整个transformer编码器保持冻结状态。图2显示了所提出模型的具体架构。给定一个预训练的ViT模型，在嵌入层后的输入空间中引入M个维数为d的连续嵌入，即提示符。如上所述，提出的IVP算法试图学习实例感知的视觉提示，以微调预训练的RS模型，以更好地进行下游任务迁移。