单源域缺陷意识适应和风格调节的泛化网络,用于多光谱图像细分

科学领域:

• 计算机科学 计算机科学
• 遥感 遥感 遥感 遥感
• 人工智能的人工智能

背景情况:

• 多光谱遥感图像 (MSI) 语义细分受到了有限的标记数据和场景变化.
• 现有的域调整 (DA) 和域泛化 (DG) 方法有局限性,例如要求目标域数据或限制任务适应性.
• 细分任何模型 (SAM) 是有前途的,但由于其培训数据和提示要求,不能直接适用于MSI.

研究的目的:

• 为有效的MSI语义细分提出一个新型网络SDSnet.
• 为了应对MSI细分中的有限数据和域变化的挑战.
• 提高跨领域的适应性和推断效率.

主要方法:

• 开发了一个单源域缺陷意识适应和风格调制通用化网络 (SDSnet).
• 集成的缺陷意识快速学习,使用基于的缺陷检测,专注于具有挑战性的区域.
• 采用基于代码书的风格调制以提高跨领域的适应性.
• 利用知识蒸,以便在基础网络上进行高效的推断.

主要成果:

• 与基于最先进的DA,DG和SAM方法相比,SDSnet在三个目标领域表现优异.
• 提出的缺陷意识快速学习有效地识别并专注于高难度细分区域.
• 风格概括学习显著改善了跨领域的适应性.

结论:

• SDSnet为MSI语义细分提供了有效的解决方案,特别是在具有有限标记数据的场景中.
• 网络在没有额外的计算开销的情况下实现了高效的推断.
• 该方法比现有方法,包括基于SAM的技术,有显著的进步.