基于不变域级原型记忆的无监督域自适应高分辨率遥感影像语义分割
计算机视觉与模式识别
2023-02-15 v2
摘要
语义分割是高分辨率遥感（HRS）影像自动解译中的一项关键技术，在遥感领域备受关注。深度卷积神经网络（DCNNs）凭借其分层表示能力已成功应用于 HRS 影像语义分割任务。然而，对大量密集标注训练数据的严重依赖以及对数据分布变化的敏感性，严重限制了 DCNNs 在 HRS 影像语义分割中的潜在应用。本研究提出一种新颖的无监督域自适应语义分割网络（MemoryAdaptNet）用于 HRS 影像语义分割。MemoryAdaptNet 构建输出空间对抗学习方案，以弥合源域与目标域之间的域分布差异并减小域偏移的影响。具体而言，我们嵌入一个不变特征记忆模块来存储不变的域级上下文信息，因为对抗学习所得特征往往仅代表当前有限输入的可变特征。该模块通过类别注意力驱动的不变域级上下文聚合模块与当前伪不变特征相融合，以进一步增强像素表示。采用基于熵的伪标签滤波策略，以当前目标图像的高置信伪不变特征更新记忆模块。在三个跨域任务下的大量实验表明，我们提出的 MemoryAdaptNet 显著优于当前最优方法。
引用
@article{arxiv.2208.07722,
title = {Unsupervised domain adaptation semantic segmentation of high-resolution remote sensing imagery with invariant domain-level prototype memory},
author = {Jingru Zhu and Ya Guo and Geng Sun and Libo Yang and Min Deng and Jie Chen},
journal= {arXiv preprint arXiv:2208.07722},
year = {2023}
}
备注
17 pages, 12 figures and 8 tables