Exploring selective image matching methods for zero-shot and few-sample unsupervised domain adaptation of urban canopy prediction

我们探索了一种简单的方法，通过使用遥感数据将经过训练的多任务UNet模型（该模型预测冠层覆盖和高度）适应到新的地理环境中，而无需训练领域自适应分类器和进行大量微调。在扩展先前的研究的基础上，我们采用了选择性对齐过程来确定两个地理域中相似的图像，然后在零样本设置下以及进行少量微调的情况下测试了一系列基于数据的无监督领域自适应方法。我们发现，选择性对齐的基于数据的图像匹配方法在零样本设置下产生了有希望的结果，而在进行少量微调的情况下效果更好。这些方法优于未变换的基线和流行的基于数据的图像到图像转换模型。最佳表现的方法是在冠层覆盖和高度任务上分别使用像素分布自适应和傅里叶域自适应。

本论文旨在探讨如何使用遥感数据，将经过训练的多任务UNet模型适应到新的地理环境中，而不需要训练领域自适应分类器和进行大量微调。

论文采用了选择性对齐的方法来识别两个地理领域中相似的图像，并在零样本和微调的情况下测试了一系列基于数据的无监督领域自适应方法。

实验结果表明，选择性对齐的数据匹配方法在零样本情况下产生了有希望的结果，而在微调后效果更好。这些方法优于未转换的基线和流行的基于数据的图像到图像转换模型。最佳表现的方法是在冠层覆盖和高度任务上分别采用像素分布自适应和傅里叶域自适应。

在这个领域的相关研究包括《Unsupervised Domain Adaptation for Semantic Segmentation via Class-Balanced Self-Training》、《Adversarial Domain Adaptation for Semantic Segmentation》等。