English | 简体中文
一个面向遥感基础模型的参数高效微调（PEFT）系统性评估平台。在 Prithvi-100M 上跨 5 种 PEFT 方法、5 种模态配置完成了 75 组实验，发现了若干对实际部署有指导意义的结论。
在 EuroSAT（10 类场景分类）上的 Overall Accuracy：
| 方法 | s2_full (10ch) | rgb (3ch) | rgb_sar (4ch) | gf2 (4ch) | sar_only (2ch) | 参数量 |
|---|---|---|---|---|---|---|
| Linear Probe | 0.657 | 0.556 | 0.553 | 0.649 | 0.387 | 7.7K |
| BitFit | 0.702 | 0.608 | 0.605 | 0.701 | 0.449 | 111K |
| LoRA (r=8) | 0.658 | 0.556 | 0.553 | 0.650 | 0.388 | 155K |
| Houlsby (d=64) | 0.821 | 0.727 | 0.738 | 0.820 | 0.615 | 1.2M |
关键发现：
- LoRA 在 Prithvi 上完全失效（delta < 0.001），可能与 fused QKV attention 结构有关
- Houlsby adapter 在所有模态上碾压其他方法（+16-23%）
- Houlsby 能隐式利用 zero-pad 通道（rgb_sar > rgb），说明骨干内部适配比输入端适配更有效
- 模态选择（10% 级差异）比 PEFT 方法选择（5% 级差异）对性能影响更大
详细分析见 实验结果分析。
geoadapter/ <- 独立 Python 包（Colab 可用）
├── adapters/ <- 5 种 PEFT: Linear Probe / BitFit / LoRA / Houlsby / GeoAdapter
├── models/ <- Prithvi-100M 完整 12 层 ViT (149/149 权重加载)
├── engine/ <- 统一训练引擎 + 评估器
├── data/ <- EuroSAT 加载 + 波段选择
├── bench/ <- Benchmark Runner (YAML 配置)
└── viz/ <- t-SNE/UMAP + Attention 热力图
ae_backend/ <- FastAPI 平台（多 PEFT 方法切换）
ae_frontend/ <- Vue 3 + ECharts 实时训练监控
notebooks/ <- Colab A100 实验 Notebook
results/ <- 75 组实验原始数据 (JSON)
pip install -e .
python -m pytest tests/ -v # 39 tests, ~15s
cd ae_backend
python -m uvicorn app.main:app --host 127.0.0.1 --port 8087- 实验结果分析 — 75 组实验的完整数据和发现
- AlphaEarth vs Prithvi 技术对比
- 系统验证指南
MIT License