リモートセンシング画像のインスタンスセグメンテーションは、関心対象のターゲットレベルの位置特定とピクセルレベルの分類を同時に実現できる重要かつ非常に挑戦的な課題です。現在、多くのリモートセンシング画像インスタンスセグメンテーション手法は精細なピクセルレベルのアノテーションに依存しており、その作成コストは非常に高いです。加えて、リモートセンシング画像の混在した前景・背景および複雑な目標輪郭もセグメンテーションの難易度を高めています。これらの課題に対応するため、本稿ではリモートセンシング画像の弱教師付きインスタンスセグメンテーションタスクに適用可能な事前情報駆動体系を構築し、多重の事前情報に基づくリモートセンシング画像弱教師付きインスタンスセグメンテーションネットワークを提案します。具体的には、リモートセンシング画像弱教師付きインスタンスセグメンテーションタスクの事前情報をその由来によりタスク事前情報と画像事前情報に分類し、タスク事前情報はインスタンスセグメンテーションと密接に関連するバウンディングボックス検出タスクに由来し、画像事前情報は画像自体の情報の総括および掘り下げに由来します。さらに、フレーム—マスク投影整合性制約、ピクセル区分難易度表現関数、中心位置事前制約の3つの具体的な構成要素を設計し、タスク事前情報を具現化し、ネットワークがマスクのサイズを決定し画像中の重点ピクセルおよび領域に充分に注目するよう駆動します；隣接視覚整合性制約および勾配整合性制約の2つの構成要素を設計して画像事前情報を構築し、ネットワークが前景と背景を効率的に区別し、リモートセンシング画像中の複雑な目標輪郭に適応できるようにします。光学およびSARリモートセンシング画像データセットにおける実験結果は、提案手法がピクセルレベルのアノテーションを一切使用せずにそれぞれ52.5および54.1のAP値を達成し、現存する弱教師付きセグメンテーション手法を凌ぎ、完全教師ありMask R-CNNの89.3％および84.3％に達することを示しています。本手法はリモートセンシング画像の細粒度解釈に高性能かつ低コストのソリューションを提供します。

リモートセンシング画像;インスタンスセグメンテーション;細粒度解釈;弱教師学習;事前情報;駆動体系;目標輪郭;アノテーションコスト