基于原型的无源域适应遥感语义分割伪标签去噪方法
计算机视觉与模式识别
2025-09-23 v1
摘要
源自域适应 (SFDA) 使能够仅使用良好训练的源模型和无标签目标域数据，对遥感图像 (RSIs) 进行语义分割进行域适应。然而，目标域缺乏 ground-truth标签常导致生成噪声的伪标签。这种噪声会阻碍有效缓解域移 (DS)。为解决此挑战，我们提出了 ProSFDA，一种原型引导的 SFDA 框架。它采用原型加权伪标签来促进在伪标签噪声下的可靠自训练 (ST)。我们还引入了原型对比策略，以鼓励同一类别特征的聚合，使模型能够在不依赖 ground-truth监督的情况下学习判别性目标域表示。大量实验表明，我们的方法在已有方法上显著优于。
引用
@article{arxiv.2509.16942,
title = {Prototype-Based Pseudo-Label Denoising for Source-Free Domain Adaptation in Remote Sensing Semantic Segmentation},
author = {Bin Wang and Fei Deng and Zeyu Chen and Zhicheng Yu and Yiguang Liu},
journal= {arXiv preprint arXiv:2509.16942},
year = {2025}
}