Die Segmentierung von Satellitenbildern ermöglicht eine präzise Lokalisierung des Zielobjekts und eine Klassifizierung von Pixeln, was eine wichtige und äußerst schwierige Aufgabe darstellt. Die meisten aktuellen Methoden zur Segmentierung von Satellitenbildern basieren auf präzisen Pixelannotationen, was die Kosten erhöht. Darüber hinaus erhöhen komplexe Hintergründe und komplexe Konturen von Objekten auf Satellitenbildern ebenfalls die Schwierigkeit der Segmentierung. Um diese Hindernisse zu überwinden, haben wir ein durch a priori-Informationen gesteuertes System für die schwache Segmentierung von Satellitenbildern aufgebaut und eine Art von Netzwerk für die schwache Segmentierung von Satellitenbildern basierend auf mehrfachen a priori-Informationen vorgeschlagen. Konkret wurde die anfängliche Information für die Segmentierungsaufgabe in Aufgabeninformationen und Bildinformationen unterteilt, wobei die Aufgabeninformationen aus eng mit der Bildsegmentierung verbundenen Rahmenentdeckungsaufgaben stammen und die Bildinformationen aus der Induktion und Exploration der Bildinformationen selbst stammen. Darüber hinaus wurde die anfängliche Aufgabeninformation mit Masken-Rahmen-Übereinstimmungsbeschränkungsfunktionen, einer Pixel-Unterscheidungsschwierigkeitsfunktion und einer zentralen Positionsbeschränkung charakterisiert, um die Maskengröße zu steuern und eine vollständige Aufmerksamkeit auf wichtige Pixel und Bildbereiche zu gewährleisten. Die anfängliche Bildinformation wurde durch Induktion und Exploration der Bildinformationen selbst konstruiert. Darüber hinaus wurden Beschränkungen der Nachbarschaftsbildkonsistenz und Gradientenbeschränkungen entworfen, um anfängliche Bildinformationen aufzubauen und das Netzwerk effektiv im Vordergrund-Hintergrund-Unterscheid und in der Anpassung an komplexe Objektkonturen auf Satellitenbildern zu unterstützen. Die Ergebnisse experimente auf optischen und Radar-Satellitenbild-Datensätzen zeigen, dass der vorgeschlagene Ansatz Werte von AP im Bereich von 52,5 und 54,1 ohne jegliche Pixelannotationen erreichen kann, was den aktuellen Ansatz zur schwachen Segmentierung übertrifft und 89,3% und 84,3% von Mask R-CNN mit vollständiger Steuerung erreicht. Diese Methode kann eine leistungsstarke und kostengünstige Decodierungslösung für Satellitenbilder bereitstellen.

remote sensing image;instance segmentation;fine-grained interpretation;weakly supervised learning;priori information;driven system;target contour;annotation cost