语义引导分层一致性域自适应：开放集遥感场景分类的新范式

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Semantic-Guided Hierarchical Consistency Domain Adaptation for Open-Set Remote Sensing Scene Classification

本文针对开放集域自适应(OSDA)中遥感场景分类的挑战，提出了一种语义引导分层一致性域自适应(SGHC)方法。研究通过属性引导提示(AGP)挖掘可迁移语义属性，结合分层一致性(HC)增强跨域泛化能力。实验表明，该方法在六种跨域场景中显著提升分类精度，尤其在NWPU→UCMD场景下总体准确率(OA)提升至少5.6%，有效解决了已知/未知类别区分与域偏移的平衡问题。

　　

随着遥感技术的快速发展，海量遥感图像的高效自动解译成为环境监测、国土规划等领域的关键需求。然而，遥感场景分类面临两大核心挑战：其一，图像采集条件（如传感器类型、季节变化、地理差异）导致源域与目标域间存在显著分布差异（域偏移）；其二，实际应用中目标域常包含源域未见的"未知类别"，传统封闭集域自适应方法会强制将未知样本误判为已知类别。现有开放集域自适应方法虽能区分已知/未知类别，却常忽略语义相似性对分类的干扰，且缺乏对已知类别的精准跨域对齐，导致泛化性能受限。

针对上述问题，发表于《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》的研究提出语义引导分层一致性域自适应框架SGHC。该方法创新性地融合视觉语言模型CLIP的语义理解能力与多层次特征对齐策略，通过属性引导提示挖掘场景的细粒度语义属性（如"屋顶""植被密度"），并利用分层一致性学习增强特征判别性。实验表明，SGHC在六种跨域场景（如AID→NWPU、UCMD→AID等）中均实现最优性能，其中NWPU→UCMD场景的总体准确率提升至90.6%，较11种前沿方法提高至少5.6%。

关键技术方法主要包括：1）属性引导提示(AGP)：通过视觉语言Transformer提取目标域图像的属性词（如"serried""roofs"），构建属性-类别关联损失增强语义可分性；2）分层一致性(HC)：结合多层级对比学习（从浅层纹理到深层语义）与三重协同域不变学习（实例/类别/分布对齐），同步优化域内判别性与跨域对齐；3）动态记忆银行机制：筛选高置信度伪标签目标样本，平衡已知/未知类别学习。

研究结果通过系统性实验验证：

1. 1.
   跨场景性能对比：在六种跨域场景中，SGHC的调和平均值(HOS)与平均交并比(mIoU)均显著优于对比方法。例如在NWPU→UCMD场景下，其HOS达87.4%，较最优对比方法PUMCL提升3.9个百分点，证明其在已知/未知类别间的平衡能力。
2. 2.
   混淆矩阵分析：SGHC在视觉相似类别（如中等居住区与密集居住区）的误判率显著降低。属性引导通过布局语义（如"serried"强调密集空间排列）区分细微差异，而多层级对比学习强化了浅层布局特征对齐。
3. 3.
   消融实验：逐组件移除实验表明，AGP对未知类别识别贡献最大（UNK指标提升16.1%），而域不变学习模块缺失会导致已知类别准确率下降17.6%。分层一致性中，[6,9,最后层]的多层级特征组合实现最优性能（mIoU=83.9%），验证了深浅特征互补的必要性。
4. 4.
   参数敏感性：三重对齐权重实验显示，当实例对齐(λ₁)、类别对齐(λ₂)与分布对齐(λ₃)分别设为1.0、0.6、3.0时，模型达到最优平衡。过度强化分布对齐会迫使未知样本向已知域靠拢，导致UNK指标下降24.5%。
5. 5.
   语义迁移性验证：与随机属性分配相比，SGHC基于频率排序的稳定属性选择使OA提升1.2%，证明语义优先策略对跨域知识推理的有效性。

本研究通过语义引导与分层一致性学习的协同设计，突破了开放集遥感场景分类中域偏移与未知类别识别的耦合难题。SGHC框架的创新性在于：一方面，利用属性级语义关联推断未知类别知识，减少对显式监督的依赖；另一方面，通过多层次特征约束与三重对齐机制，在保持已知类别判别性的同时避免负迁移。该方法为复杂开放环境下的遥感智能解译提供了新思路，未来可进一步探索多模态语义融合与动态类别增量学习等方向。