Die semantische Segmentierung von Satellitenbildern spielt eine wichtige Rolle bei der Klassifizierung und Nutzung von Bodenbedeckungen, der Stadtplanung und der Erkennung von Veränderungen. Als potenziell tiefgreifende Methode des unüberwachten Lernens hat die Domänenanpassungstechnologie die Entwicklung der semantischen Segmentierung von Satellitenbildern wesentlich vorangetrieben. Das aktuelle Modell beruht jedoch auf einem einzigen Aufgabenerlernung, und die erlernten Segmentierungsmerkmale sind nicht ausreichend umfassend, was die genaue Identifizierung komplexer Bereiche in den Satellitenbildern während des Segmentierungsprozesses erschwert. Um dieses Problem zu lösen, schlägt dieser Artikel ein adaptives Mehrfachaufgabennetzwerk für die semantische Segmentierung (MTLDANet) vor, das die Lernfähigkeit der Segmentierungsmerkmale durch kooperatives Lernen von semantischen Informationen der Satellitenbilder und Höheninformationen verbessert. Konkret führt diese Methode aufgabenspezifische semantische Merkmale und Höhenmerkmale in ein Modul für gemeinsames Merkmalslernen ein und erforscht versteckte Verbindungen zwischen Aufgaben, um eine stärkere Darstellung aufgabenbezogener Merkmale zu erhalten. Durch ein Modul für gemischtes Kohärenzlernen, das von Pseudo-Labeln gesteuert wird, wird die Qualität der Pseudo-Label verbessert und eine globale Domänenanpassung erreicht. Darüber hinaus stärkt eine von der Entropie gesteuerte kategoriespezifische Ausrichtung die Unterscheidungskraft komplexer Kategorien. Dieser Artikel führte vier Experimente zur semantischen Segmentierung von Satellitenbildern in verschiedenen Szenarien der Domänenanpassung mit zweidimensionalen ISPRS-Daten und dreidimensionalen US3D-Daten durch. Die Ergebnisse zeigen, dass die vorgeschlagene Methode in verschiedenen komplexen Szenarien der interdomänenanpassung signifikant über den aktuellen Methoden zur Domänenanpassung hinausgeht.

Semantische Segmentierung; Unbeaufsichtigte Domänenanpassung; Satellitenbilder; Multi-Task-Learning; Höheninformation; Semantische Information; Pseudo-Label; Entropie