跳到正文
arXiv · 机器人与计算机视觉· Hengwei Zhao, Qirui Wang, Zhuo Zheng, Xiaoyan Lu, Rusty Feagin, Wenzhe Jiao·· 10 天前精选AI 评分78

通过正负样本学习提升地理空间基础模型的标签效率以进行建筑损毁映射

Towards Label-Efficient Geospatial Foundation Model Adaptation via Positive-Unlabeled Learning for Building Damage Mapping

AI 导读

针对地理空间基础模型(GFM)在建筑损毁映射中标签稀缺的挑战,本文提出 PUMA 框架。该方法结合非对比式弱监督表示优化与基于隐状态的标签消歧技术,仅需少量受损建筑标注即可实现高效适配。实验表明,PUMA 在全球灾害基准数据集上有效且鲁棒,并在 2025 年洛杉矶山火真实场景中验证了其在高度受限监督下的损毁映射潜力。

推荐理由

提出 PUMA 框架,利用少量标注实现地空大模型在建筑损毁映射上的弱监督高效适配。

来源:arXiv · 机器人与计算机视觉 · arxiv.org