arXiv Computer Vision· Hengwei Zhao, Qirui Wang, Zhuo Zheng, Xiaoyan Lu, Rusty Feagin, Wenzhe Jiao·· 13 小时前AI 评分31
基于正样本-未标注学习的标签高效地理空间基础模型适配，用于建筑损毁制图
Towards Label-Efficient Geospatial Foundation Model Adaptation via Positive-Unlabeled Learning for Building Damage Mapping
AI 导读
研究提出 Positive-Unlabeled GFM Adaptation（PUMA）框架，仅需少量受损建筑标注即可完成地理空间基础模型适配，用于建筑损毁制图。PUMA 结合非对比弱监督表征精化与基于隐状态的标签消歧，无需估计类别先验。全球灾害基准数据集实验验证了其有效性与鲁棒性，并已应用于 2025 年洛杉矶山火的高度有限监督损毁制图。
推荐理由模型分析
PUMA 针对地理空间基础模型在建筑损毁制图中的标签效率瓶颈：仅需少量受损建筑标注，用正-未标记弱监督配合参数高效微调，并从梯度角度抑制噪声监督、用隐状态做标签消歧且无需估计类先验。全球灾害基准实验和 2025 年洛杉矶山火应用报告了有效性，但属论文自述，尚非业务化验证；适合遥感与灾害评估研究者比较其与常规 PEFT 的标注成本与精度边界。
来源：arXiv Computer Vision · arxiv.org