在目标域标注有限且无法获取源域影像的情况下，对跨地理聚类的滑坡分割进行诊断

《Scientific Reports》：Diagnosing landslide segmentation across geographic clusters with limited target annotations and no access to source imagery

　　

摘要

在训练分布内表现良好的滑坡分割模型在迁移到不同地理区域时性能会急剧下降，限制了其在灾后快速制图中的可靠性。我们研究在原始训练数据不可用且仅允许少量目标标注预算的情况下这一问题。利用Sen12Landslides中的六个地理簇，我们分别探究了决策阈值校准、可训练参数范围、标注与优化预算以及目标无标签适应。三条独立训练的源链在匹配的排除支持集查询池上获得的正类像素平均 \(F_1\) 分数分别为0.181、0.199和0.180。使用查询标签选择的Oracle标量阈值将这些分数提升至0.221、0.256和0.212，而BN清理的解码器加头部微调达到0.199、0.220和0.203，全网络微调则达到0.260、0.289和0.270。通过额外开放编码器路径获得的配对增益分别为0.061、0.069和0.067，在六个簇中，分别有五个、六个和五个簇在簇级别呈现正差异。在测试的保持患病率的采样策略中，更大的支持集与更高但异质的平均分数相关；由于支持集身份和排除支持集的查询池在不同K值下不同，该比较无法单独隔离图块数量的因果效应。在历史独立重叠分量约定下，平均图块分量召回率从0.116提高到0.205，同时伴随着相应的假阳性成本。类别平衡伪标签自训练也提高了所有三条源链的平均值，而熵最小化则使正类预测崩溃。在单种子CAS分析中，两个全网络变体之一在五个保留事件的有限候选集中排名最高。总之，这些结果确定了包含编码器的全网络更新是所评估干预措施中平均最强的有监督修复路径，并为无源跨簇滑坡分割建立了一套可重复的诊断和标注预算分析方法。