基于自监督学习的遥感图像分类中域偏移下的特征不变性学习与泛化性提升研究综述.docVIP

基于自监督学习的遥感图像分类中域偏移下的特征不变性学习与泛化性提升研究综述

一、遥感图像分类的域偏移问题与研究背景

遥感图像分类是国土资源监测、灾害应急响应、生态环境评估等领域的核心技术支撑，传统监督学习方法依赖大规模人工标注数据，在数据分布一致的封闭场景下可达到较高精度，但在实际应用中，遥感成像过程受传感器参数、拍摄季节、大气条件、地理区域差异等多因素耦合影响，不同域之间的数据分布存在显著差异，即域偏移现象。例如同一片区域的Sentinel-2影像与Landsat8影像因光谱分辨率差异呈现不同特征分布，同一城市夏季与冬季的影像因植被覆盖、光照角度变化存在特征分布偏移，这些差异导致在源域训练的分类模型直接迁移到目标域时精度出现断崖式下降，成为制约遥感分类模型落地应用的核心瓶颈。

早期域适应方法主要围绕有监督/半监督迁移学习展开，要求目标域提供部分标注数据，但遥感图像标注成本极高，单个区域的土地利用类型标注往往需要专业人员实地核验，覆盖全球多场景的标注数据集构建成本难以估量。2018年以来自监督学习技术在计算机视觉领域的突破为这一问题提供了新的解决思路：自监督学习通过构造前置任务从大规模无标注遥感图像中学习通用特征表示，无需依赖人工标注，且其学习到的特征具有更强的跨域迁移潜力，逐渐成为域偏移场景下遥感分类的研究热点。据不完全统计，2021-2025年遥感领域顶会（IGARS