域信息挖掘和国家指导的适应网络,用于多光谱图像细分

科学领域:

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

背景情况:

• 细分任何模型 (SAM) 对跨场景细分有希望,但在多谱跨域任务方面扎.
• 局限性包括信息利用不足和跨领域适应 (DA) 策略不足.

研究的目的:

• 为了提高SAM在多谱跨领域细分中的性能.
• 解决信息利用和跨领域的适应挑战.

主要方法:

• 拟议的DSAnet (域信息挖掘和国家指导的适应网络) 结合了蒙面自动编码器 (MAE) 和跨域策略.
• 数据级:用于特征挖掘和图像重建的风格掩饰学习.
• 任务级别:域状态学习和以风格为导向的细分,以适应.

主要成果:

• DSAnet在三个多时态多谱图像 (MSI) 数据集上表现出卓越的性能.
• 超越了最先进的跨领域策略和SAM变体.

结论:

• DSAnet有效地增强了SAM,用于多谱跨域细分.
• 拟议的方法改善了数据和任务层面,以便更好地跨领域适应.