论文页面 - FairRSFM：面向遥感基础模型的生物群落感知基准与去偏框架

来源：https://huggingface.co/papers/2610.05790

摘要

遥感基础模型（RSFM）通常采用聚合指标进行评估，这会掩盖其在不同生态区域之间的系统性性能差异。我们提出 FairRSFM，一个面向生物群落感知的基准，用于评估 RSFM 的生态群组稳健性。FairRSFM 将来自 14 个陆地生物群落类别的带地理参考样本映射为六个具有生态学意义的宏分组，并在统一的冻结主干（frozen-backbone）评估协议下对模型进行评估。该基准涵盖四个下游数据集：m-EuroSAT、m-BigEarthNet、m-SA-Crop-Type，以及带有 Dynamic World 标签图的 MMEarth20K。我们使用 Prithvi-EO-2.0、SatMAE 和 DOFA，并在三个随机种子下进行实验，结果表明：聚合性能在不同架构和任务中始终掩盖了与生物群落相关的性能差异。例如，Prithvi-EO-2.0 在 m-EuroSAT 上的总体宏 F1 达到 90.98%，但最差分组的平均得分仅为 83.72%；而在 m-SA-Crop-Type 上，总体 mIoU 从 27.30% 降至干旱与矿物（Xeric and Mineralogical）分组中的 18.47%。我们进一步评估了生物群落正交线性探测（Biome-Orthogonal Linear Probing，BOLP）、动态生物群落重加权（Dynamic Biome Reweighting，DBR）以及 GroupDRO 作为互补的缓解基线。它们的效果取决于模型与任务：例如，BOLP 在不更新 RSFM 主干的情况下，将 Prithvi-EO-2.0 在 m-BigEarthNet 上的最差分组 F1@opt 从 46.12% 提升至 50.27%。FairRSFM 为诊断和缓解遥感基础模型中的生态稳健性差距提供了一套可复用的协议。代码与数据集已发布于：https://github.com/aminurhossain/FairRSFM。

查看 arXiv 页面 (https://arxiv.org/abs/2610.05790) 查看 PDF (https://arxiv.org/pdf/2610.05790) GitHub0 (https://github.com/aminurhossain/FairRSFM) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2610.05790)

在你的代理中获取这篇论文：

hf papers read 2610.05790

还没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型0

暂无模型关联此论文

在模型的 README.md 中引用 arxiv.org/abs/2610.05790，即可从本页面链接到它。

引用本文的数据集0

暂无数据集关联此论文

在数据集的 README.md 中引用 arxiv.org/abs/2610.05790，即可从本页面链接到它。

引用本文的 Spaces0

暂无 Space 关联此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2610.05790，即可从本页面链接到它。

包含本文的合集0

暂无合集包含此论文

将本文添加到合集 (https://huggingface.co/new-collection)，即可从本页面链接到它。