克服跨卫星挑战：浸大吴国宝教授开创遥感场景分类新时代

场景分类（Scene classification）是遥感图像解译的关键一环，为高效的环境保肓、土地利用管理及灾害监测奠定基础。 然而，随著卫星技术不断进步及环境持续演变，新的地表覆盖类别会随时间陆续出现。这对传统深度学习方法构成重大挑战，因为这些方法往往需要耗费大量运算资源进行重新训练，以扩展其可识别范围。

领域偏移与泛化的挑战 

为适应不断演变的数据流，数学及数据科学讲座教授吴国宝教授率领团队应用了增量学习（Incremental Learning）。 该技术旨在持续获取新知识的同时，保留先前学习的资讯，以避免所谓的「灾难性遗忘」（Catastrophic Forgetting）。 然而，一个重大障碍依然存在：领域偏移（Domain Shift）。 

从不同卫星及多元地理区域收集的遥感数据，由於成像条件和感应器参数的差异，呈现出显著的分布差距。 当增量学习模型在源域（Source Domain）完成训练并应用於未知的目标领域（Target Domain）时，往往会面临严重的性能退化。 因此，缓解这些领域偏移对於实现跨卫星可泛化的增量式遥感场景分类至关重要。 

过往，缓解领域偏移主要依赖两种范式：领域自适应（Domain Adaptation）与领域泛化（Domain Generalisation）。领域自适应著重於使源域与目标领域之间的特徵分布一致。然而，由於其高度依赖预先获取目标领域数据，现实可行性有限。 相反，领域泛化仅利用源域数据进行模型训练，使其能泛化至未知的目标领域。 吴教授表示：「这种方法极具可行性，为遥感数据的持续演变提供了实用的解决方案。 鉴於卫星图像持续变动，领域泛化完美契合了实际部署的需求。」 

开创Adaptive Mixture-of-Experts Distillation

为解决这些复杂难题，研究团队於「Adaptive Mixture-of-Experts Distillation for Cross-Satellite Generalizable Incremental Remote Sensing Scene Classification」提出Adaptive Mixture-of-Experts Distillation（AMoED）。 

该创新框架专为跨卫星泛化增量遥感场景分类而设计，采用高阶语义学习方法。 吴教授解释：「AMoED 并非直接从原始数据流中更新模型，这会加剧对旧知识的抹去。它是透过多个领域专属专家的协调指导，持续获取新资讯。」 

该过程策略性地开展。首先利用每个源域的数据，独立训练领域专属专家。 随后，根据无关乎特定域的置信度衡量标准（Domain-agnostic Confidence Measure），以适应性的方式整合专家的预测结果。 这种高阶语义学习流程促进了具备强跨域泛化能力的通用类别概念之形成。透过依赖专家指导而非直接接触海量新数据，模型能够专注於特定任务的类别更新，而不会严重干扰与先前学习知识相关的参数。  

创新训练机制与基准表现 

AMoED 采用独特的联合训练策略，以确保稳定地获取知识。 将范例集（Exemplar Set）与完整训练数据结合的标准方法往往会导致不平衡，从而引发「任务近因偏误」（Task-recency Bias）。 为纠正此问题，AMoED 建构了一个均分子集（Equi-partite Subset），将样本与从新类别中均匀采样的实例结合，完美平衡数据，同时保持可塑性（Plasticity）与记忆稳定性（Memory Stability）。 

此外，该模型透过浅层风格混合（Shallow-layer Style Mixing），应对由地理空间及感应器所导致的偏差。 由於纹理模式与空间结构主要在网络浅层编码的差异，这种混合操作能有效减轻学习过程中领域差异带来的干扰。 

研究团队在 Merced、AID、NWPU 及 PatternNet 四个不同的遥感数据集广泛实验，评估了跨越数个地理区域的共享地表覆盖类型，例如机场、海滩、森林及储槽。 所提出的 AMoED 方法在不同设定下均持续取得顶尖表现。 吴教授表示：「透过开创领域泛化增量学习的探索，AMoED 在持续演变的数据流中，为未来跨卫星场景分类树立了关键的基准。」 

发表於《IEEE Transactions on Circuits and Systems for Video Technology》的完整论文：https://ieeexplore.ieee.org/document/11124203
吴教授研究简介：https://scholars.hkbu.edu.hk/en/persons/kwok-po-ng

吴国宝教授

理学院