基于少量样本的高分辨率遥感图像语义分割方法

《Scientific Reports》：A few-shot high-resolution remote sensing image semantic segmentation method

　　

摘要

高分辨率无人机（UAV）遥感图像的语义分割在环境监测、城市规划、农业评估和灾害管理中发挥着重要作用。基于深度学习的语义分割方法表现出优异的性能；然而，这些方法依赖于大量的标注数据，因此在小样本场景下的性能会显著下降。为了在小规模遥感语义分割数据集上获得更好的性能，提出了结合知识蒸馏和半监督学习的方法。这些方法利用在大型自然图像数据集（如ImageNet）上预训练的模型来指导目标数据集上学生模型的训练，从而实现了显著的性能提升。然而，自然图像数据集的特征分布与遥感图像数据集存在显著差异。因此，直接由在自然图像数据集上预训练的教师模型指导的学生模型往往难以获得最佳性能，尤其是在目标领域中标记的样本较少时。引入一个中等规模的遥感数据集作为自然图像数据集和目标遥感数据集之间的中间域，是否能够进一步提高模型性能，这是一个值得探索的问题。本研究提出了一种结合多阶段知识蒸馏（MKD）和半监督学习（SSL）的少样本遥感图像语义分割方法，以逐步弥合领域差异并利用未标记数据。在洱海无人机数据集（EH）上的实验结果表明，所提出的MKD+SSL方法仅使用880个标记样本就实现了77.05%的平均IoU，比广泛使用的单阶段KD方法高出3.06%的mIoU，每个类别的IoU提升幅度达到2.17%至5.21%。在Cityscapes基准测试中，我们的框架进一步超越了UniMatch等最先进方法，在1/16和1/8标记设置下分别实现了1.5%和1.4%的mIoU提升。这些结果表明，所提出的方法在少样本设置中有效提高了分割精度，并且在多种数据集上具有良好的泛化能力，具有广泛的实际应用价值。