يعد تقسيم المعنى الدلالي لصور الاستشعار عن بعد ذا أهمية كبيرة في تصنيف تغطية الأراضي والاستخدام، والتخطيط الحضري، واكتشاف التغيرات. تعد تقنية التكيف الميداني كطريقة تعلم غير مراقبة ذات إمكانية كبيرة قد دفعت بشكل كبير تطور تقسيم المعنى الدلالي لصور الاستشعار عن بعد. ومع ذلك، تعتمد النماذج الحالية على التعلم أحادي المهمة، مما يجعل خصائص التقسيم المكتسبة غير كافية ويصعب التعرف بدقة على المناطق المعقدة في صور الاستشعار عن بعد أثناء عملية التقسيم. لحل هذه المشكلة، تقترح هذه الورقة شبكة تقسيم معنى دلالي متعددة المهام وتتكيف مع المجال MTLDANet (شبكة التكيف مع المجال متعددة المهام للتعلم التعاوني)، والتي تعزز قدرة تعلم خصائص التقسيم من خلال التعلم التعاوني للمعلومات الدلالية والمعلومات المرتفعة في صور الاستشعار عن بعد. على وجه التحديد، تُدخل هذه الطريقة الخصائص الدلالية والمرتفة المحددة بالمهمة إلى وحدة تعلم ارتباط الخصائص عبر المهام، لاستخراج الترابط الكامن بين المهام، مما يؤدي إلى تعبير أقوى عن الخصائص المحددة بالمهمة، ومن خلال وحدة التعلم التوافقي الموجهة بالعلامات الزائفة يتم تحسين جودة العلامات الزائفة لتحقيق محاذاة شاملة على النطاق العالمي والمحلي. بالإضافة إلى ذلك، تعزز وحدة المحاذاة على مستوى الفئات الموجهة بالإنتروبي التمييزية لفئات يصعب تصنيفها. أخيرًا، تم إجراء أربع مجموعات من التجارب لتقسيم المعنى الدلالي لصور الاستشعار عن بعد عبر المشاهد باستخدام مجموعتي بيانات ISPRS 2D وUS3D. تظهر النتائج أن الطريقة المقترحة تتفوق بشكل ملحوظ على طرق التكيف الميداني القائمة في مختلف المشاهد المتقاطعة المعقدة.

تقسيم دلالي; تكيف ميداني غير مراقب; صور الاستشعار عن بعد; تعلم متعدد المهام; معلومات المرتفعات; معلومات دلالية; علامات زائفة; إنتروبي