差异补充学习和标签重新分配用于远程传感图像的多模式半监督语义细分.

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 多模式遥感图像融合,特别是光学和合成孔径雷达 (SAR) 数据,对于土地覆盖的语义细分至关重要.
• 挑战包括不同的数据特征,噪声干扰和实际应用中的有限的标记样本.
• 现有的半监督方法在复杂的区域中扎着伪标签质量受损,阻碍了性能.

研究的目的:

• 开发一种有效的半监督语义细分方法,用于多模式遥感图像.
• 为了应对数据异质性,噪音和有限标签的挑战.
• 提高土地覆盖分类的准确性和稳定性.

主要方法:

• 引入了差异补充学习和标签重新分配 (DLLR) 网络.
• 雇员不对称的掩盖和差异导向的互补学习,以实现相互模式的学习.
• 实施了多层次的标签重新分配策略,使用最佳运输来准确的伪标签注释.
• 采用多式联运一致性交叉伪监督,以加强伪标签的使用.

主要成果:

• DLLR网络在多模式语义细分方面表现出卓越的性能.
• 在WHU-OPT-SAR和EErDS-OPT-SAR数据集上的实验结果证实了它的有效性.
• 与现有的深度网络相比,提出的方法显著提高了土地覆盖分类的准确性.

结论:

• DLLR框架有效地处理用于语义细分的多式联运数据融合挑战.
• 标签重新分配和互补的学习策略提高了伪标签的质量和模型的性能.
• DLLR为有限的标记数据的遥感中半监督语义细分提供了一个有希望的解决方案.