用于遥感分割的图信息瓶颈

遥感分割在环境保护、城市变化检测等领域有着广泛的应用。尽管基于深度学习的遥感分割方法（如CNN和Transformer）取得了成功，但它们不够灵活，无法对不规则物体进行建模。此外，现有的图对比学习方法通常采用最大化互信息的方式来保持不同图视图之间节点表示的一致性，这可能导致模型学习到与任务无关的冗余信息。为了解决上述问题，本文将图像视为图结构，并引入了一种简单的对比视觉图神经网络架构用于遥感分割。具体来说，我们构建了一个节点掩码和边掩码的图视图，以获得最优的图结构表示，该表示可以自适应地学习是否掩码节点和边。此外，本文创新性地将信息瓶颈理论引入图对比学习中，以最大化任务相关信息，同时最小化任务无关的冗余信息。最后，我们用SC-ViG模块替换UNet中的卷积模块，以完成遥感图像的分割和分类任务。在公开真实数据集上的大量实验表明，我们的方法优于最先进的遥感图像分割方法。