Key points are not available for this paper at this time.
Para reduzir a dependência dos modelos de segmentação semântica de imagens de sensoriamento remoto (RS) em extensas imagens anotadas em nível de pixel, este artigo tem como objetivo abordar a questão da exploração insuficiente do potencial das imagens de RS dentro dos métodos existentes de aprendizagem semi-supervisionada, introduzindo um novo método de segmentação semântica de imagens de RS semi-supervisionado. Especificamente, para amostras não rotuladas, a consistência dinâmica de múltiplas perturbações (MDC) é proposta para alinhar múltiplas previsões de diversas ampliações de dados; MDC utiliza um limiar de decaimento dinâmico ao invés de limiares fixos para aprender informações mais confiáveis, enriquecendo o espaço de perturbação e auxiliando o modelo de segmentação na aquisição de representações de características mais discriminativas. Além disso, considerando a rica informação contextual em imagens de RS, a memória de protótipos de classe (CPM) derivada de amostras rotuladas é mantida durante a fase de treinamento, que é utilizada para guiar o refinamento das previsões do modelo de segmentação na fase de inferência. Experimentações extensivas foram conduzidas em seis conjuntos de dados de segmentação semântica de imagens de RS, incluindo DFC22, iSAID, MER, MSL, GID-15 e Vaihingen. Os resultados experimentais demonstram a superioridade do método proposto. O código está disponível em https://github.com/lvliang6879/MCSS.
Lv et al. (Mon,) estudaram essa questão.