【深度学习地学应用|滑坡制图、变化检测、多目标域适应、感知学习、深度学习】跨域大尺度遥感影像滑坡制图方法：基于原型引导的领域感知渐进表示学习（四）

【深度学习地学应用|滑坡制图、变化检测、多目标域适应、感知学习、深度学习】跨域大尺度遥感影像滑坡制图方法：基于原型引导的领域感知渐进表示学习（四）

【深度学习地学应用|滑坡制图、变化检测、多目标域适应、感知学习、深度学习】跨域大尺度遥感影像滑坡制图方法：基于原型引导的领域感知渐进表示学习（四）

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文：
可访问艾思科蓝官网，浏览即将召开的学术会议列表。会议详细信息可参考：https://ais.cn/u/EbMjMn

跨域大尺度遥感影像滑坡制图方法：基于原型引导的领域感知渐进表示学习

3. 方法论

3.1. 前提知识

3.1.1. 单目标领域适应 (STDA)

在 STDA 问题中，我们有一个源领域数据集 D s = { x s i , y s i } i = 1 n s D_s=\{ x_{s_i},y_{s_i} \}^{n_s}_{i=1} Ds​={xsi​​,ysi​​}i=1ns​​，其中$n_s$为样本数量。对于滑坡制图任务，每个源数据点$x_{s_i}$由一对双时相遥感影像组成$[I_{s_i,1},I_{s_i,2}]$，其中$I_{s_i,1}$和$I_{s_i,2}$分别表示事件前后的影像，$y_{s_i}$为与之关联的地面真实值（即标签）。此外，目标领域 D t = { x t i } i = 1 n t D_t=\{ x_{t_i}\}^{n_t}_{i=1} Dt​={xti​​}i=1nt​​包含$n_t$个未标注样本。类似地，$x_{t_i}$也由一对事件前后的影像组成。一般而言，在源领域上训练的滑坡制图网络在目标领域上的泛化能力有限。因此，STDA 问题可以定义为将知识从源领域$D_s$转移到目标领域 $D_t$同时在没有访问标签的情况下，确保在目标领域 $D_t$上达到较低的风险。

3.1.2. 多目标领域适应 (MTDA)

与 STDA 相比，MTDA 侧重于将深度学习模型适应于多个未标注的目标领域。在 MTDA 场景中，我们给定一个来自 $Z$ 个目标领域的未标注数据集 T = { D t z } z = 0 Z − 1 T=\{ D_{t_z} \}^{Z-1}_{z=0} T={Dtz​​}z=0Z−1​，其中第 $z$ 个目标领域 D t z = { x t z , i } i = 1 n t z D_{t_z}=\{ x_{t_z,i}\}^{n_{t_z}}_{i=1} Dtz​​={xtz​,i​}i=1ntz​​​包含$n_{t_z}$个未标注样本。我们假设目标领域的身份信息是可用的，而不是将这些领域视为没有领域标签的未知混合体，因为这种方式与大多数遥感应用不兼容。

3.1.3. 模型组件

在本文提出的方法中，滑坡制图网络（即 LM-Net）可以定义为从双时相影像到像素级标签的映射函数。该网络由表示学习组件 $F_r$ 和分类器组件 $F_c$ 组成，分别由参数 ${\theta }_r$ 和 ${\theta }_c$ 参数化。表示学习组件 $F_r$ 可以将输入影像映射到一个高层次特征空间，并生成具有语义信息的抽象表示。该组件的目标是在领域适应过程中学习领域不变的表示。此外，分类器组件$F_c$基于学习到的表示进行滑坡制图预测，学习到的表示作为输入，像素级类别标签作为输出。在领域对抗学习框架中，可以训练一个领域判别器 $F_d$，其参数为 ${\theta }_d$，用于区分由 $F_r$ 生成的表示的领域标签，而 $F_r$ 在训练过程中则尽力欺骗 $F_d$ 。

下节请参考：【深度学习地学应用|滑坡制图、变化检测、多目标域适应、感知学习、深度学习】跨域大尺度遥感影像滑坡制图方法：基于原型引导的领域感知渐进表示学习（五）

第三届通信网络与机器学习国际学术会议(CNML 2025)

• 2025 3rd International Conference on Communication Networks and
  Machine Learning
• 会议官网：www.iccnml.org
• 大会时间：2025年2月21日-23日
• 大会地点：中国 南京
• 接受/拒稿通知：投稿后1周内
• 收录检索：EI Compendex, Scopus