La segmentation des images satellitaires permet de réaliser à la fois une localisation précise de l'objet cible et une classification des pixels, ce qui représente une tâche importante et extrêmement difficile. La plupart des méthodes actuelles de segmentation d'images satellitaires reposent sur des annotations précises des pixels, ce qui augmente leur coût. De plus, les arrière-plans complexes et les contours complexes des objets sur les images satellitaires augmentent également la difficulté de la segmentation. Pour surmonter ces obstacles, nous avons construit un système piloté par des informations a priori pour la tâche de segmentation faible des images satellitaires, et nous avons proposé un type de réseau pour la segmentation faible des images satellitaires basé sur de multiples informations a priori. Plus précisément, les informations initiales pour la tâche de segmentation ont été divisées en informations de tâche et informations d'image, où les informations de tâche proviennent de tâches de détection de boîtes étroitement liées à la segmentation des images, et les informations d'image proviennent de l'induction et de l'exploration des informations de l'image elle-même. De plus, les informations de tâche initiales ont été caractérisées par des fonctions de contrainte de recouvrement de masque-boîte, une fonction de difficulté de distinction des pixels et une contrainte de position centrale pour piloter la taille du masque et assurer une attention complète aux pixels clés et aux zones de l'image. Les informations d'image initiales ont été construites par induction et exploration des informations de l'image elle-même. De plus, des contraintes de compatibilité des images voisines et de compatibilité des gradients ont été conçues pour construire des informations d'image initiales, permettant au réseau de distinguer efficacement le premier plan et l'arrière-plan et de s'adapter aux contours complexes des objets sur les images satellitaires. Les résultats des expériences sur les ensembles de données d'images satellitaires optiques et radar montrent que l'approche proposée peut atteindre des valeurs d'AP de 52,5 et 54,1 sans aucune annotation au niveau des pixels, surpassant l'approche actuelle de segmentation faible et atteignant 89,3% et 84,3% de Mask R-CNN à contrôle total. Cette méthode peut fournir une solution de décodage à haut rendement et à faible coût pour les images satellitaires.

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