遥感语义分割无监督域适应的自适应解耦目标表示研究

针对遥感图像源域与目标域差异导致模型泛化性差的问题，研究人员开展无监督域适应（UDA）研究，提出 ChameleonRS 模型。其通过解耦学习分离特征，结合对比学习对齐预测。实验表明其在两类场景中显著提升 IoU 和 F1 分数，推动遥感技术应用。

　　

遥感技术如同 “天眼”，正以前所未有的速度革新着人类认知地球的方式。随着无人机与卫星传感器的蓬勃发展，获取海量遥感图像变得便捷高效，这极大推动了各领域对土地覆盖分类的需求。深度学习网络模型凭借强大的特征提取能力，在大规模遥感图像解译中崭露头角，然而这些在特定领域表现优异的模型，一旦跨越到跨域、跨传感器场景，性能便会急剧下滑，如同突然失去方向的指南针，陷入 “域偏移（Domain Shift，DS）” 的困境。这种困境源于不同域数据集在光谱、纹理、颜色等特征分布上的显著差异，导致模型在新域的泛化能力不足，严重制约了其大规模应用。

为突破这一瓶颈，来自国内研究机构的研究人员在《Engineering Applications of Artificial Intelligence》上发表论文，聚焦无监督域适应（Unsupervised Domain Adaptation，UDA）技术，开展了 “遥感语义分割无监督域适应的自适应解耦目标表示” 研究。他们提出一种名为 ChameleonRS 的 UDA 模型，旨在通过创新方法有效缓解域分布差异带来的泛化难题，为遥感技术在实际场景中的广泛应用铺路。

研究人员为开展研究，主要采用了以下关键技术方法：

• 解耦模块（Disentanglement Module，DM）：通过引入差异损失和重建过程（Reconstruction Process，RP），对目标域特征进行解耦，分离出域不变特征和域特定特征，并对齐源域与目标域的域不变特征。
• 多级别特征对齐模块（Multi - level Feature Alignment Module，MFAM）：对域不变编码器的多级输出通过不同解码器处理以生成分割结果，利用一致性损失确保不同解码器预测对齐，增强特征语义判别力，实现更细粒度的特征对齐。
• 目标增强模块（Target Enhancement Module，TEM）：运用对比学习，将基于域不变特征的预测与基于融合不变和特定特征的预测对齐，结合伪标签自训练策略，生成更具代表性的融合特征表示，有效捕捉目标特定特征。

实验及分析

研究构建了两个典型的跨域语义分割实验场景：

• 地理空间位置变化场景（I）：在此场景下，通过大量实验对比，ChameleonRS 在交并比（Intersection over Union，IoU）指标上较最先进方法高出 4.79%，F1 分数提升 6.51%，展现出对地理空间位置变化的良好适应能力。
• 地理空间位置与成像模式联合变化场景（II）：实验结果表明，ChameleonRS 在 IoU 和 F1 分数上分别实现了 4.46% 和 4.82% 的提升，凸显了其在面对更复杂的地理和成像条件变化时的优越性。

此外，研究还通过消融实验验证了各模块的有效性，进行了超参数组合的敏感性分析，并对分割结果进行了可视化比较，进一步为 ChameleonRS 模型的有效性提供了多维度支撑。

结论与讨论

ChameleonRS 模型通过解耦学习自适应地增强目标域特定特征的表示，有效解决了源域与目标域间显著的分布差异导致的严重域迁移问题。其创新设计的 DM 模块实现了源域与目标域不变特征的对齐，MFAM 和 TEM 模块分别提升了目标域内特定特征和不变特征的表示能力。该研究成果不仅在理论上为遥感图像的跨域语义分割提供了新的思路和方法，更在实践层面增强了模型对现实世界中快速变化场景（如异质传感器数据、显著域偏移）的鲁棒性和适应性，有力推动了遥感技术在智能农业、城市规划、环境监测等众多实际场景中的大规模应用，为遥感领域的发展注入了新的活力，有望开启遥感技术应用的新篇章。