一种基于对抗学习的高分辨率遥感影像语义分割无监督域自适应方法

基金项目:
国家重点研发计划项目“时空知识图谱服务平台与应用验证”(2022YFB3904205)

国家自然科学基金项目“基于弱监督深度学习的高分辨率遥感影像灾后损毁建筑物提取研究”(42071386)

“基于匀质化分解与解析式合成的栅格类别数据尺度效应建模”(41971330)

四川省科技厅基本科研业务费项目“耕地‘非粮化’调查监测成果的知识化服务研究”(2023JDKY0017-3)

详细信息

收稿日期: 2023-06-09

修回日期: 2023-08-16

刊出日期: 2024-12-23

An adversarial learning-based unsupervised domain adaptation method for semantic segmentation of high-resolution remote sensing images

More Information

Received Date: 09 June 2023

Revised Date: 16 August 2023

Publish Date: 23 December 2024

摘要: 语义分割模型在高分辨率遥感影像中表现良好的关键是训练集和测试集之间域的高度一致。然而,不同数据集之间存在域偏差,包括地理位置、传感器成像方式和天气条件的差异,导致在一个数据集上训练的模型在另一个数据集上预测时准确性会显著下降。域自适应是解决上述问题的有效策略,该文从域自适应模型的角度,基于对抗学习方法提出了一种用于高分辨率遥感图像语义分割任务的无监督域自适应框架。该框架对全局域对齐模块和局部域对齐模块分别融入熵值加权注意力和逐类别域特征聚合机制,缓解源域和目标域之间的域偏差; 此外,引入了对象上下文表征(object context representation, OCR)模块和空洞空间金字塔池化(atrous spatial pyramid pooling, ASPP)模块,以充分利用影像中的空间级和对象级上下文信息,并提出了OCR/ASPP双分类器组合策略,以提高分割精度和准确性。实验结果表明,该方法在公开的2个数据集中实现了优越的跨域分割性能,并超过了同类型的其他方法。
- 高分辨率遥感图像 /
- 语义分割 /
- 对抗学习 /
- 无监督域自适应
- high-resolution remote sensing images /
- semantic segmentation /
- adversarial learning /
- unsupervised domain adaptation

中国自然资源航空物探遥感中心	主办
地质出版社	出版