基于随机与置信度感知网络（SCAN）的卫星图像分割半监督领域自适应方法

《Scientific Reports》：Stochastic and confidence-aware network (SCAN)-based semisupervised domain adaptation for satellite imagery segmentation

　　

摘要

卫星图像分割在环境监测和可持续发展中起着至关重要的作用。然而，领域差异大以及标注成本高是限制该技术在实际应用中性能的两个主要问题。为解决这些问题，本文提出了一种基于置信度的半监督领域自适应方法用于卫星图像分割。与传统方法直接将带标签的目标数据纳入分割损失函数不同，我们的方法利用带标签的目标数据来提升教师模型生成的伪标签的置信度。这一策略有效解决了半监督领域自适应中的一个关键瓶颈，即模型可能过度拟合少量带标签的数据。此外，我们还引入了稀疏性约束，以选择能够在两个领域间都具有良好泛化能力的紧凑特征。所提出的方法在LoveDA、SyntheWorld和Open Earth Map数据集上进行了两种场景下的测试。实验结果表明，仅使用5%的带标签目标数据，我们的方法在LoveDA和Open Earth Map数据集上分别能够达到全监督学习98.04%和93.78%的性能水平。定性实验也显示，该方法不会过度拟合训练数据，并能给出合理的预测结果。本文的代码可在https://github.com/Vo-Linh/SF-CAN.git获取。