通过基于课程的自我训练和对抗学习实现鲁棒的跨时相跨场景土地覆盖图更新

《Engineering Science and Technology, an International Journal》：Robust Bi-temporal cross-scene land cover map updating via curriculum-guided self-training and adversarial learning

多时相土地利用分类中提出基于课程学习的生成对抗网络自训练框架，有效缓解差异知识转移错误与类别不平衡问题。

　　近年来，随着遥感技术的不断发展，地球观测在资源与环境监测、农业调查、城市研究等多个领域发挥着越来越重要的作用。大量高分辨率的遥感卫星图像为研究人员提供了丰富的数据资源，使得时间序列分析成为遥感研究的一个新趋势。时间序列图像指的是同一地区在不同时间点通过卫星或航空传感器获取的地理数据，这种数据形式被认为有助于对地表进行持续监测和动态研究。然而，在缺乏足够地面参考样本的情况下，如何有效利用这些时间序列数据进行土地覆盖和土地利用（LC&LU）的分析，以及更新土地覆盖地图，仍然是一个具有挑战性的课题。

传统的土地覆盖地图更新依赖于对每一幅图像进行监督分类，但这种方法需要大量的地面参考数据来训练分类器，这在实际操作中往往非常耗时且费力。而且，由于不同时间点的图像可能受到土壤湿度、光照条件以及地表变化等因素的影响，同一地区的图像之间可能存在分布差异，这使得直接使用某一时间点训练的分类器对其他时间点图像进行分类时，效果可能不理想。因此，研究者们开始探索基于迁移学习的方法，以减少对目标域标注数据的依赖。

在迁移学习的众多方法中，领域自适应（Domain Adaptation, DA）因其在处理跨域数据分布差异方面的优势而受到广泛关注。DA通过利用源域中丰富的标注信息，提升模型在目标域上的表现，已被广泛应用于遥感领域。其中，迁移成分分析（Transfer Component Analysis, TCA）和子空间对齐（Subspace Alignment, SA）是两种典型的领域自适应算法。TCA通过最大化均值差异来学习跨域的迁移成分，从而保留数据特征并减少不同域之间的分布差异。SA则通过学习映射函数，使源域和目标域的特征子空间趋于一致，从而提升模型在目标域上的泛化能力。

然而，对于双时相图像而言，源域和目标域之间的统计特性往往并不充分相关，这使得传统的领域自适应方法在处理此类问题时面临一定局限。因此，一些研究者开始尝试结合变化检测技术，以进一步提升土地覆盖地图更新的效果。变化检测技术能够识别同一地区在不同时间点之间的地表变化，从而帮助区分不变的样本和变化的样本。基于变化检测的半监督学习方法在这一领域取得了显著进展，其中一些研究提出利用变化检测结果，将源域中不变的样本的类别标签迁移到目标域，作为初始的训练数据。随后，通过主动学习框架，可以逐步减少对人工标注样本的依赖，从而提升分类效率。

尽管基于变化检测的半监督学习方法在一定程度上缓解了标注数据不足的问题，但变化检测本身的误差仍然可能对后续的标签迁移和分类效果产生负面影响。此外，当某些类别在变化检测中被误判为变化区域时，所得到的训练集可能继承源域中不变样本的类别不平衡问题，从而影响模型的训练效果。因此，如何设计一种能够有效应对变化检测误差、同时解决类别不平衡问题的半监督学习方案，成为当前研究的一个重要方向。

为了解决上述问题，本文提出了一种名为“Curricula-GAN”的协同课程自训练框架，旨在提升双时相土地覆盖地图更新的鲁棒性和分类性能。该框架通过引入课程指导的对抗学习机制，将变化检测与自训练过程相结合，从而在不依赖大量目标域标注数据的情况下，实现对目标域图像的高效分类。Curricula-GAN由三个核心组件构成：课程生成器（Curricula-Generator）、课程分类器（Curricula-Classifier）和判别器（Discriminator）。这三个组件在双层课程约束下协同训练，使得模型能够逐步学习到更加可靠的分类知识。

在课程生成器的设计上，我们引入了双向差异深度嵌入聚类网络，该网络能够有效地减少错误标签的传播，同时帮助识别和纠正变化检测中的误判情况。通过这一机制，模型可以在目标域上更准确地识别出不变样本，并利用这些样本进行初步的分类训练。此外，我们还设计了多层次的协同课程策略，包括样本级别的课程约束和任务级别的课程约束，以进一步提升对抗学习的鲁棒性。样本级别的课程约束主要用于筛选出最具有信息量的未标注样本，而任务级别的课程约束则用于优化分类任务的学习过程，确保模型能够逐步适应不同阶段的训练难度。

Curricula-GAN的核心思想是通过课程机制，引导模型在不同阶段学习不同难度的样本，从而避免直接使用所有未标注样本所带来的训练不稳定问题。课程生成器负责生成不同难度的训练样本，课程分类器则根据这些样本进行分类训练，而判别器则用于评估分类结果的可靠性。通过这种协同机制，模型能够在训练过程中逐步提升分类能力，同时减少对错误标签的依赖。此外，为了进一步优化模型的性能，我们还提出了一种基于对抗的交替优化策略，该策略能够有效平衡模型在不同任务之间的学习效果，提升分类的准确性和稳定性。

为了验证Curricula-GAN的有效性，我们对四个真实世界的数据集进行了实验分析。实验结果表明，该方法在处理双时相土地覆盖地图更新任务时，能够显著提升分类性能，并有效应对变化检测误差和类别不平衡问题。此外，通过引入双向差异深度嵌入聚类网络和多层次协同课程策略，Curricula-GAN在减少错误标签传播、提升模型鲁棒性方面表现出色。与传统方法相比，该框架不仅能够减少对人工标注样本的需求，还能在训练过程中动态调整样本难度，使得模型能够更高效地学习目标域的特征。

本文的研究成果对于遥感图像分类、土地覆盖地图更新以及跨域学习等领域具有重要的理论和应用价值。首先，Curricula-GAN提供了一种新的框架，使得在缺乏目标域标注数据的情况下，能够通过协同课程机制和对抗学习策略，实现对目标域图像的高效分类。其次，该方法通过引入双向差异深度嵌入聚类网络和多层次协同课程策略，有效缓解了错误标签传播和类别不平衡问题，提升了模型的鲁棒性和泛化能力。最后，本文的实验结果表明，Curricula-GAN在多个真实世界数据集上均表现出优越的性能，为后续相关研究提供了新的思路和方法支持。

Curricula-GAN的提出，不仅为双时相土地覆盖地图更新提供了新的解决方案，也为其他领域中的半监督学习和领域自适应问题提供了借鉴。在实际应用中，该框架可以用于城市规划、环境监测、农业调查等多个领域，帮助研究人员更高效地利用遥感数据进行土地覆盖变化的分析和地图更新。此外，该方法还可以推广到其他类型的跨域学习任务中，如视频处理、生物医学图像分析等，为这些领域提供更加灵活和高效的模型训练方案。

总之，Curricula-GAN作为一种协同课程自训练框架，具有较强的鲁棒性和泛化能力，能够有效应对双时相土地覆盖地图更新中的关键挑战。通过引入变化检测辅助的知识迁移机制、双向差异深度嵌入聚类网络以及多层次协同课程策略，该方法在减少标注依赖、提升分类性能方面表现出色。实验结果进一步验证了该方法的有效性，为未来相关研究提供了新的思路和方法支持。