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

图像级回归是地球观测中的重要任务，其中视觉领域和标签偏移是阻碍泛化的核心挑战。然而，由于缺乏合适的数据集，遥感数据的跨域回归仍然没有得到充分研究。我们引入了一个新的数据集，其中包含五个国家的航空和卫星图像，并涉及三个与森林相关的回归任务。为了匹配真实世界的应用利益，我们通过一个严格的设置来比较方法，在训练期间没有目标域的先验知识，并且在测试期间使用有限的信息来适应模型。基于有序关系更好地泛化的假设，我们提出了流形扩散回归作为低数据制度下跨域转导的强基线。我们的比较突出了归纳和转导方法在跨域回归中的比较优势。

论文旨在解决遥感数据跨域回归问题，即如何在没有目标域的先验知识的情况下进行回归任务。

论文提出了一种基于排序关系的流形扩散方法，作为低数据情况下跨域回归的强大基准。

论文引入了一个新的数据集，包含五个国家的航空和卫星图像，涉及三个与森林相关的回归任务。在实验中，作者采用了一种严格的设置，即在训练期间没有目标域的先验知识，并且在测试期间使用有限的信息进行模型适应。论文比较了归纳和转导方法在跨域回归中的比较优势。

在这个领域中，最近的相关研究包括：“Deep Transfer Learning for Image Classification on Remote Sensing Data”和“Cross-Domain Land Cover Classification with Deep Learning Using Image and Point Clouds”。