リモートセンシング画像の意味のセグメンテーションは、土地被覆と利用の分類、都市計画、変化検出などの分野で重要な役割を果たしています。非監視学習方法として非常に有望なドメイン適応技術は、リモートセンシング画像の意味のセグメンテーションの発展を大きく促進しました。ただし、既存のモデルは単一のタスクに基づいて学習されているため、セグメンテーションされた特徴が不十分であり、リモートセンシング画像内の複雑な領域を正確に識別することが困難です。この問題を解決するために、本論文では、複数のタスクを協調して学習するドメイン適応意味セグメンテーションネットワーク（MTLDANet）を提案します。このネットワークはリモートセンシング画像の意味情報と高程情報を連携させ、セグメンテーション特徴の学習能力を向上させます。具体的には、この方法はタスク固有の意味的特徴と高程特徴をタスク間特徴関連学習モジュールに入力し、タスク間の潜在的な関連性を発見し、より強力なタスク固有の特徴表現を得ます。疑似ラベルによる混合一貫性学習モジュールを介して疑似ラベルの質を向上させ、全体的なドメイン整列を実現します。また、エントロピーによるカテゴリレベルの整列は難しい分類カテゴリの識別性をさらに増強します。本論文は、ISPRS 2DおよびUS3Dデータセットを使用して、4つの異なるドメイン間リモートセンシング画像意味セグメンテーション実験を行いました。その結果、この提案手法がさまざまな複雑なクロスドメインシーンで既存のドメイン適応手法よりも著しく優れていることが示されました。

意味セグメンテーション; 非監視ドメイン適応; リモートセンシング画像; 多タスク学習; 高程情報; 意味情報; 疑似ラベル; エントロピー