古梯田点云换区就失灵:MELD用目标区无标签特征逐层校正,F1从0.397升到0.459
核心概要
在哥伦比亚圣玛尔塔内华达山脉的Teyuna与Miraflores两处激光雷达测区之间,跨区检测古梯田的模型会因地形、植被、采集参数和梯田形态差异而失效。MELD在PointNet++的四个层级上分别用目标区无标签特征训练扩散去噪器,再以这些先验在训练和推理时校正送入分割解码器的多尺度特征。Teyuna到Miraflores的迁移中F1由仅源域模型的0.397升至0.459,反向由0.557升至0.594,两个方向均为所比较的域适应方法中最高;加入KNN局部几何描述子后进一步升至0.542和0.606。
深度剖析
跨区检测古梯田时,模型可以只靠目标测区的无标签点云完成适应,不必先在新区域人工标注梯田。 此前的做法是在一个测区训练、直接搬到另一个测区使用,地形、植被、采集配置、点密度和梯田形态的差异会让源区表现良好的模型在目标区明显退化。 在Teyuna与Miraflores之间的双向迁移中,仅源域PointNet++的F1为0.397(Teyuna到Miraflores)和0.557(反向),MELD把这两个数字提高到0.459和0.594。
适应作用在分割网络实际消费的多尺度特征上,而不是只压缩源域与目标域之间的整体分布差距。 统计对齐、对抗对齐和基于预测的正则化都只处理一个聚合差异或输出置信度,当背景点占绝对多数、梯田点稀少且形态多样时,这种全局目标容易被背景主导。 与仅源域模型及九种已有域适应配置比较,MELD在两个迁移方向上都取得最高F1;在Teyuna到Miraflores方向,最强的竞争方法MMD/DAN单层配置仍低于MELD,在反向方向最强的是DANN多层配置。
每个PointNet++层级各配一个扩散去噪器,用目标区隐特征学习该层级的分布先验,再以短反向扩散轨迹修正源域特征和目标域特征。 此前的扩散式域适应多作用在输入、预训练生成模型的表示或单一特征层上,没有针对分割骨干产生的多个层级分别建模目标分布。 层级消融显示四个层级全部启用时两个方向都最强;只修正最深层仅带来小幅提升,在Miraflores到Teyuna方向最明显。
在扩散适应之外再加入由K近邻邻域估计的法向量、坡度和坡向,可进一步提升跨区梯田检测。 仅靠学习到的层级特征时,梯田的局部坡面朝向和坡度变化没有被显式表达。 加入这些几何描述子后,Teyuna到Miraflores的F1由0.459升至0.542,反向由0.594升至0.606,两个方向都成为整体最强结果。
启示与展望
评估限定在哥伦比亚圣玛尔塔内华达山脉的Teyuna与Miraflores两处机载与无人机激光雷达测区,任务是梯田点与非梯田点的二分类,且采用转导式设定:适应阶段使用的正是随后被逐点评估的同一批无标签目标瓦片。
转导设定不能说明模型能否泛化到适应阶段未见过的新目标样本;目标区标注充足时,适应模型与完全监督的域内参照之间仍有差距;研究只考虑梯田这一单一考古特征类别。
