遥感图像跨域语义分割的无监督域自适应对齐方法

P237; 深度学习模型依赖于大量同源标记样本,即限定训练数据与测试数据服从同一分布.但是,面对大范围、多样化的遥感图像时,数据之间的同分布要求难以保证,深度学习模型的分割精度下降明显.针对这一问题,本文提出了一种面向遥感图像语义分割的无监督域自适应方法,在训练数据(源域)与测试数据(目标域)分布不同的情况下,仅利用源域标签训练深度学习模型,提高目标域语义分割精度.本文方法引入最优传输理论,在图像空间、特征空间和输出空间进行全局对齐,以减轻源域和目标域之间的域偏移.试验采用国际摄影测量与遥感学会(ISPRS)所提供的Potsdam和Vaihingen数据集进行验证.结果表明,相比于现有方法,本...

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 52; no. 12; pp. 2115 - 2126
Main Authors 沈秭扬, 倪欢, 管海燕
Format Journal Article
LanguageChinese
Published 南京信息工程大学遥感与测绘工程学院,江苏 南京 210044 2023
Subjects
遥感图像
语义分割
域自适应
remote sensing imagery
optimal transport
semantic segmentation
domain adaptation
最优传输
Online AccessGet full text

Cover

More Information
Summary:P237; 深度学习模型依赖于大量同源标记样本,即限定训练数据与测试数据服从同一分布.但是,面对大范围、多样化的遥感图像时,数据之间的同分布要求难以保证,深度学习模型的分割精度下降明显.针对这一问题,本文提出了一种面向遥感图像语义分割的无监督域自适应方法,在训练数据(源域)与测试数据(目标域)分布不同的情况下,仅利用源域标签训练深度学习模型,提高目标域语义分割精度.本文方法引入最优传输理论,在图像空间、特征空间和输出空间进行全局对齐,以减轻源域和目标域之间的域偏移.试验采用国际摄影测量与遥感学会(ISPRS)所提供的Potsdam和Vaihingen数据集进行验证.结果表明,相比于现有方法,本文方法取得了更高的分割精度.此外,通过消融分析,在深度学习驱动的语义分割无监督域自适应框架下,证明了最优传输理论的有效性.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2023.20220483