elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Universal Domain Adaptation without Source Data for Remote Sensing Image Scene Classification

Xu, Qingsong und Shi, Yilei und Zhu, Xiao Xiang (2022) Universal Domain Adaptation without Source Data for Remote Sensing Image Scene Classification. In: International Geoscience and Remote Sensing Symposium (IGARSS), Seiten 5341-5344. IEEE - Institute of Electrical and Electronics Engineers. IGARSS 2022, 2022-07-17 - 2022-07-22, Kuala Lumpur, Malaysia. doi: 10.1109/IGARSS46834.2022.9884889.

[img] PDF
3MB

Offizielle URL: https://ieeexplore.ieee.org/document/9884889

Kurzfassung

Existing domain adaptation (DA) approaches are usually not well suited for practical DA scenarios of remote sensing image classification, since these methods (such as unsupervised DA) rely on rich prior knowledge about the relationship between label sets of source and target domains, and source data are usually not accessible in many cases due to the privacy or confidentiality issues. To this end, we propose a novel source data generation-based universal domain adaptation (SDG-UniDA) model, which includes two parts, i.e., the stage of source data generation and the stage of model adaptation. The first stage is to estimate the conditional distribution of source data from the pre-trained model using the knowledge of class-separability in the source domain and then to synthesize the source data. With this synthetic source data in hand, it becomes a universal DA task that requires no prior knowledge on the label sets. A novel transferable weight is proposed to distinguish the shared and private label sets to each domain, thereby promoting the adaptation in the automatically discovered shared label set and recognizing the “unknown” samples successfully. Empirical results show that SDG-UniDA is effective and practical in this challenging setting for remote sensing image scene classification.

elib-URL des Eintrags:https://elib.dlr.de/193328/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Universal Domain Adaptation without Source Data for Remote Sensing Image Scene Classification
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Xu, Qingsongqingsong.xu (at) tum.dehttps://orcid.org/0000-0002-0906-7290NICHT SPEZIFIZIERT
Shi, Yileiyilei.shi (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiao Xiangxiao.zhu (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:2022
Erschienen in:International Geoscience and Remote Sensing Symposium (IGARSS)
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.1109/IGARSS46834.2022.9884889
Seitenbereich:Seiten 5341-5344
Verlag:IEEE - Institute of Electrical and Electronics Engineers
Status:veröffentlicht
Stichwörter:domain adaptation
Veranstaltungstitel:IGARSS 2022
Veranstaltungsort:Kuala Lumpur, Malaysia
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:17 Juli 2022
Veranstaltungsende:22 Juli 2022
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Künstliche Intelligenz
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Haschberger, Dr.-Ing. Peter
Hinterlegt am:16 Jan 2023 08:47
Letzte Änderung:24 Apr 2024 20:54

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.