Die semantische Segmentierung von Fernerkundungsbildern spielt eine wichtige Rolle bei der Landbedeckungs- und Nutzungs-Klassifikation, Stadtplanung und Veränderungserkennung. Die Domänenanpassungstechnologie als ein vielversprechendes unüberwachtes Lernverfahren hat die Entwicklung der semantischen Segmentierung von Fernerkundungsbildern maßgeblich vorangetrieben. Allerdings basieren bestehende Modelle noch auf dem Lernen einer einzelnen Aufgabe, wodurch die erlernten Segmentierungsmerkmale nicht ausreichend sind und komplexe Bereiche in Fernerkundungsbildern während des Segmentierungsprozesses schwer genau erkannt werden können. Zur Lösung dieses Problems wird in diesem Artikel ein Multi-Task-Learning-Domain-Adaption-Netzwerk MTLDANet vorgeschlagen, das durch kooperatives Lernen von semantischen Informationen und Höheninformationen in Fernerkundungsbildern die Lernfähigkeit der Segmentierungsmerkmale verbessert. Konkret werden dabei aufgabenspezifische semantische Merkmale und Höhenmerkmale in ein funktionsübergreifendes Assoziationslernmodul eingespeist, um latente Korrelationen zwischen den Aufgaben zu erschließen, wodurch eine stärkere aufgabenspezifische Merkmalsdarstellung erreicht wird. Zudem wird durch ein pseudoetikettgeführtes hybrides Konsistenzlernmodul die Qualität der Pseudoetiketten verbessert, um eine globale und lokale Ausrichtung zu realisieren. Darüber hinaus verstärkt ein entropiegeführtes klassenbasiertes Ausrichtungsmodul die Unterscheidbarkeit von schwer zu klassifizierenden Klassen. Schließlich wurden auf Basis der Datensätze ISPRS 2D und US3D vier Gruppen von domänenübergreifenden semantischen Segmentierungsexperimenten mit Fernerkundungsbildern durchgeführt. Die Ergebnisse zeigen, dass die vorgeschlagene Methode in verschiedenen komplexen domänenübergreifenden Szenarien bestehenden Domänenanpassungsmethoden deutlich überlegen ist.

semantische Segmentierung; unüberwachte Domänenanpassung; Fernerkundungsbilder; Multi-Task-Lernen; Höheninformationen; semantische Informationen; Pseudoetiketten; Entropie