基于多尺度不确定性一致性和跨教师-学生注意力的遥感图像半监督语义分割

半监督学习为遥感图像语义分割提供了可行方案，缓解了人工标注的高成本。然而，遥感图像存在丰富的多尺度特征和高类别相似性等独特挑战。为此，本文提出一种新型半监督 MUCA（Multi-Scale Uncertainty and Cross-Teacher-Student Attention）模型，用于遥感图像语义分割任务。具体而言，MUCA 通过引入多尺度不确定性一致性正则化来约束网络不同层特征图之间的一致性，增强了半监督算法在无标签数据上的多尺度学习能力。此外，MUCA 利用跨教师-学生注意力机制引导学生网络，通过来自教师网络的互补特征来构建更具辨识力的特征表示。该设计有效整合了弱增强（WA）和强增强（SA），进一步提升分割性能。为验证模型有效性，我们在 ISPRS-Potsdam 和 LoveDA 数据集上进行大规模实验。实验结果表明，我们的方法在当前半监督方法中表现优异。尤其值得注意的是，本模型在区分高度相似目标方面表现突出，为推动遥感图像半监督分割任务发展展现出巨大潜力。