La segmentation sémantique des images satellitaires joue un rôle important dans la classification et l'utilisation des couvertures terrestres, la planification urbaine et la détection des changements. En tant que méthode d'apprentissage non supervisée potentiellement profonde, la technologie d'adaptation de domaine a considérablement poussé le développement de la segmentation sémantique des images satellitaires. Cependant, le modèle actuel repose sur un seul apprentissage de tâche, et les caractéristiques de segmentation apprises ne sont pas suffisamment complètes, ce qui rend difficile l'identification précise des régions complexes dans les images satellitaires pendant le processus de segmentation. Pour résoudre ce problème, cet article propose un réseau de segmentation sémantique adaptatif multi-tâches (MTLDANet), qui améliore la capacité d'apprentissage des caractéristiques de segmentation en apprenant de manière coopérative des informations sémantiques des images satellitaires et des informations d'altitude. Plus précisément, cette méthode introduit des caractéristiques sémantiques spécifiques à la tâche et des caractéristiques d'altitude dans un module d'apprentissage conjoint des caractéristiques des tâches et d'exploration des liens cachés entre les tâches, permettant ainsi d'obtenir une représentation de caractéristiques spécifiques de tâches plus forte. Grâce à un module d'apprentissage de cohérence mixte guidé par pseudo-étiquettes, la qualité des pseudo-étiquettes est améliorée, assurant un alignement global du domaine. De plus, un alignement catégoriel guidé par l'entropie renforce encore la netteté des catégories difficiles à classer. Cet article a mené quatre expériences de segmentation sémantique d'images satellitaires dans différents scénarios d'adaptation de domaine sur des données bidimensionnelles ISPRS et tridimensionnelles US3D. Les résultats montrent que la méthode proposée dépasse nettement les méthodes actuelles d'adaptation de domaine dans divers scénarios complexes d'adaptation inter-domaine.

Segmentation sémantique; Adaptation de domaine sans surveillance; Images satellitaires; Apprentissage multi-tâches; Informations d'altitude; Informations sémantiques; Pseudo-étiquettes; Entropie