通过基于特征扰乱的一致性规范化方法,增强远程传感图像的半监督语义细分
1Key Laboratory of Target Cognition and Application Technology, The Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100190, China.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
本研究引入了一种新的半监督语义细分框架,使用具有特征级扰动和对比学习的平均教师. 它提高了复杂的遥感图像的预测一致性和准确性.
科学领域:
- 遥感技术 遥感技术 遥感技术
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 遥感图像的语义细分至关重要,但由于手动数据注释的耗时性质而受到阻碍.
- 现有的半监督方法由于复杂的前景类别和遥感数据中的特征空间而难以保持预测的一致性.
- 复杂的特征空间中的优化具有挑战性,导致不同类别之间的混.
研究的目的:
- 提出一种新的半监督语义细分框架,以提高模型的一致性,并优化远程传感图像的基于特征的类别分类.
- 通过结合特征级扰动来解决传统平均教师的局限性.
- 为了提高复杂的遥感图像数据集中的语义细分的准确性.
主要方法:
- 一个基于平均教师 (MT) 模型的新型半监督语义细分框架.
- 引入特征级扰动,除了图像级扰动,到平均教师框架.
- 对比式学习的应用在特征级别的学习中,以在特征扰动后保持一致性.
- 利用值来协助对比学习精确选择复杂的遥感图像特征的特征关键值.
主要成果:
- 与基准数据集的现有方法相比,拟议的框架显示出更高的性能.
- 通过特征级扰动和对比学习实现了增强的预测一致性.
- 观察到复杂的遥感图像的语义细分的准确性有所提高.
- 值有效地帮助了对比学习来改进特征选择.
结论:
- 开发的半监督语义细分框架有效地解决了复杂特征和远程传感图像中的预测一致性的挑战.
- 特征级扰动与对比学习和值结合,提供了一种强大的方法来提高细分精度.
- 该方法表明,在推进远程传感数据的自动化分析方面,有很大的潜力.
