分布采样对齐的遥感半监督要素提取框架及轻量化方法

近年来,利用无标签数据辅助少量标签数据进行训练的遥感半监督要素提取任务被广泛研究,大多数工作采用自训练或一致性正则方法提高要素提取性能,但仍存在数据类别分布不均衡导致的不同类别准确率差异大的问题。该文提出分布采样对齐的遥感半监督要素提取框架(FIDAS),通过获取的历史数据类别分布,在调整不同类别的训练难度的同时引导模型学习数据真实分布。具体来说,利用历史数据分布信息对各类别进行采样,增加难例类别通过阈值的概率,使模型接触到更多难例类别的特征信息。其次设计分布对齐损失,提升模型学习到的类别分布与真实数据类别分布之间的对齐程度,提高模型鲁棒性。此外,为了降低引入的Transformer模型计算量,提出图像特征块自适应聚合网络,对冗余的输入图像特征进行聚合,提升模型训练速度。该方法通过遥感要素提取数据集Potsdam上的实验,在1/32的半监督数据比例设置下,该方法相较于国际领先方法取得了4.64%的平均交并比(mIoU)提升,并在基本保持要素提取精度的同时,训练时间缩短约30%,验证了该文方法在遥感半监督要素提取任务中的高效性和性能优势。

密集反卷积网络在遥感建筑物提取中的应用

遥感图像覆盖范围广、场景复杂,目前基于卷积神经网络的建筑物提取方法因层数较少,不能充分挖掘图像的抽象信息,导致正确率较低,错检率较高。简单地增加网络的层数会导致梯度流消失和信息流弥散等问题,无法有效地训练网络。将密集连接方式引入到反卷积网络中,提出了一种新型的深层密集反卷积神经网络。该网络共有51层卷积权重层,能够自动学习多层级图像的特征,充分挖掘图像信息,并且该网络是端对端可训练的,避免了深层网络中信息传递消失的问题。同时利用反卷积网络实现了像素级别的建筑物提取,在ISPRS 2D的遥感标注数据集上有良好的表现,具有较强的实际应用价值。