The Plasticity Illusion in Remote Sensing A Comprehensive Survey of Few-Shot Continual Learning Algorithms, Evaluation Failures, and the RS-FSCL Research Frontier

Abstract

Remote sensing platforms on satellites, unmanned aerial vehicles, and ground sensor networks increasingly require machine learning systems that can adapt to new phenomena without forgetting prior knowledge. This thesis surveys a major interpretive failure in continual learningŮthe Plasticity IllusionŮthrough the classiĄer-retraining protocol of Kim and Han (2024), denoted ΔM′. Several celebrated class-incremental methods, including LUCIR, SSIL, POD, AANet, and AFC, achieve competitive accuracy while their feature extractors show negligible representational adaptation (ΔM′ 0); a frozen feature extractor with a newly trained linear head can outperform them on standard benchmarks. For operational remote sensing, this is a serious risk: systems that appear adaptive may fail on novel land-cover classes, emerging disaster patterns, or object categories after deployment. This thesis argues that the same failure mode is likely in RS deployments, especially when ImageNet-pretrained backbones create benchmark gains through pretraining overlap rather than genuine orbital feature learning. Yet no reviewed RS paper measures ΔM′ directly, making this an urgent evaluation gap. To address this gap, the thesis proposes and illustrates the RS-Val rubric for assessing few-shot continual learning Ądelity on orbital imagery. It also provides a systematic Taxonomy-First, Domain-Second survey of Ąve catastrophic-forgetting mitigation families, linking computer vision foundations to remote-sensing adaptations, deployment constraints, and open research priorities.***

Les plateformes de télédétection déployées sur les satellites, les véhicules aériens non habités et les réseaux de capteurs nécessitent des systèmes capables de sŠadapter à de nouveaux phénomènes sans oublier les connaissances antérieures. Ce mémoire examine un échec interprétatif majeur de lŠapprentissage continuŮlŠIllusion de PlasticitéŮà travers le protocole de réentraînement du classiĄeur de Kim et Han (2024), noté ΔM′. Plusieurs méthodes incrémentales réputées, dont LUCIR, SSIL, POD, AANet et AFC, obtiennent de bonnes précisions alors que leurs extracteurs de caractéristiques présentent une adaptation représentationnelle négligeable (ΔM′ 0); une tête linéaire entraînée sur un extracteur gelé peut même les surpasser. Pour la télédétection opérationnelle, ce résultat est critique : un modèle apparemment adaptatif peut échouer face à de nouvelles classes de couverture terrestre, signatures de catastrophes ou catégories dŠobjets après déploiement. Le mémoire soutient que ce risque est probable en imagerie RS, notamment lorsque le pré-entraînement ImageNet produit des gains apparents sans véritable apprentissage de caractéristiques orbitales. Aucun article du corpus étudié ne mesure encore ΔM′ directement sur des images RS. Ce mémoire propose et illustre donc le référentiel RS-Val pour évaluer la Ądélité de lŠapprentissage continu à peu dŠexemples sur imagerie orbitale, et propose une synthèse Taxonomie-dŠabord, Domaine-ensuite des principales familles de mitigation de lŠoubli catastrophique et de leurs adaptations en télédétection.