面向航空与卫星影像中建成区分割的弱监督域适应

本文提出一种新颖的域适应算法以应对卫星和航空影像带来的挑战，并在建成区分割问题上展示了其有效性。建成区估算是理解人类对环境影响、公共政策效应以及一般城市人口分析的重要组成部分。航空与卫星影像的多样性以及缺乏覆盖该多样性的标注数据，使得机器学习算法难以在此类任务上泛化，尤其是跨多个域时。另一方面，由于相较于地面影像缺乏强空间上下文与结构，现有无监督域适应方法的应用导致了次优的适应效果。我们深入研究了现有域适应方法的局限性，并提出了一种弱监督适应策略，假设目标域可用图像级标签。更具体地，我们设计了一个建成区分割网络（作为编码器-解码器），并添加图像分类头以引导适应。所设计的系统能够处理多个卫星与航空影像数据集中的视觉差异问题，范围从高分率（HR）到极高分辨率（VHR）。通过人工标注卢旺达 73.4 平方公里区域创建了一个真实且具挑战性的 HR 数据集，捕捉了不同地形上多样的建成结构。与现有数据集相比，所开发的数据集在空间上更丰富，并覆盖了多样的建成场景，包括森林与沙漠中的建成区、泥屋、锡顶和彩色屋顶。通过从单源域适应以分割目标域进行了大量实验。相较于现有最先进方法，我们在 IoU 上取得了 11.6%–52% 的高增益。