对低标签遥感图像语义分割的预训练策略的系统研究
Peizhuo Liu1, Hongbo Zhu2, Xiaofei Mi2
1School of Instrumentation and Optoelectronic Engineering, Beihang University, Beijing 100191, China.
Sensors (Basel, Switzerland)
|February 27, 2026
概括
这项研究通过优化自我监督的预训练来增强有限数据的遥感图像 (RSI) 的语义细分. 一种新的两阶段方法,通用预训练 (GPPT) 和域适应预训练 (DAPT),改善了局部特征学习,以获得更好的细分精度.
科学领域:
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 遥感图像 (RSI) 的语义细分至关重要,但在有限的标记数据下具有挑战性.
- 高质量的初始模型对于有效的半监督和弱监督学习在这个领域是必不可少的.
- 现有的自主监督预培训方法面临局限性,原因是领域转移和局部特征学习不佳.
研究的目的:
- 在极端低标签条件下系统地调查和优化RSI的自我监督预训策略.
- 解决域移动问题,并在视觉基础模型 (VFMs) 中增强本地特征表示.
- 开发一个强大的预训练框架,以提高RSIs的语义细分性能.
主要方法:
- 基准评估各种预训练策略,包括单阶段和双阶段方法.
- 实施两阶段的通用目的培训 (GPPT),其次是领域适应性培训 (DAPT) 框架.
- 为DAPT阶段提出一个边缘引导的蒙面图像建模 (EGMIM) 方法,以整合边缘先验.
主要成果:
- 拟议的GPPT+DAPT框架显著优于单相方法和现有的双相模式.
- 通过指导掩盖和重建过程,EGMIM有效地增强了细粒度局部结构的学习.
- 在四个RSI基准指标中观察到一致且实质性的业绩增长,特别是在极端低标签的场景中.
结论:
- 优化的两阶段预训练策略 (GPPT+DAPT) 对具有有限数据的RSI的语义细分非常有效.
- 在域调整过程中,通过EGMIM集成边缘信息对于改善本地特征学习至关重要.
- 该研究提供了一个强大的解决方案,用于改进RSI语义细分,特别是在数据稀缺的环境中.
