リモートセンシング画像のセマンティックセグメンテーションは、土地被覆および利用分類、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る。ドメイン適応技術は、有望な教師なし学習手法として、リモートセンシング画像のセマンティックセグメンテーションの発展を大きく促進してきた。しかし、既存のモデルは単一タスクに基づく学習を行っており、学習されたセグメンテーション特徴が不十分であり、セグメンテーション過程でリモートセンシング画像の複雑な領域を正確に認識することが困難である。これを解決するために、本論文ではマルチタスク学習ドメイン適応セマンティックセグメンテーションネットワークMTLDANet（Muti-Task Learning Domain Adaption Network）を提案する。本ネットワークは、リモートセンシング画像におけるセマンティック情報と標高情報を協調学習することで、セグメンテーション特徴の学習能力を向上させる。具体的には、本手法はタスク固有のセマンティック特徴と標高特徴をタスク間特徴関連学習モジュールに入力し、タスク間の潜在的相関を掘り下げることで、より強力なタスク固有特徴表現を獲得し、疑似ラベル指導の混合一貫性学習モジュールにより疑似ラベルの品質を向上させ、グローバルおよびローカルな整合を実現する。さらに、エントロピー誘導型クラスレベル整合モジュールにより、分類が難しいクラスの区別性もさらに強化される。最後に、ISPRS 2DおよびUS3Dデータセットに基づき、4組のクロスシーンリモートセンシング画像セマンティックセグメンテーション実験を行った。その結果、本手法が複数の複雑なクロスドメインシナリオにおいて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た。

セマンティックセグメンテーション; 教師なしドメイン適応; リモートセンシング画像; マルチタスク学習; 標高情報; セマンティック情報; 疑似ラベル; エントロピー