リモートセンシング画像は、対象のサイズ差が顕著であり、背景が複雑多様である特徴を持ち、地物のスペクトル混合や特徴の境界が不明瞭な現象が存在し、これがセマンティックセグメンテーションの課題を増大させている。異なる照明条件下におけるリモートセンシング画像の対象が特徴の相互依存によりセマンティックセグメンテーションが困難となる問題に対して、本論文では照明反射を基にしたデコラップリング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モデルを提案する。本モデルは照明反射デコラップリングネットワーク（LRD-Net）と多モーダルセマンティックセグメンテーションネットワーク（MSS-Net）で構成される。まず、Retinex理論に基づき光学画像中の照明と反射特徴を分解するためにLRD-Netネットワークを設計し、重み共有トランスフォーマー（WS-Transformer）を通じて対象のグローバル及びローカル特徴を抽出する。次に、多尺度ノイズモジュールを導入し照明成分を適応的に強化してモデルのデコラップリング能力を高め、顕著特徴強調モジュール（SE）によって異なる成分特徴間の差異情報を強調する。最後に、エッジ特徴抽出モジュール（EE）を用いてリモートセンシング対象のエッジ認識能力を向上させ、多モーダルセマンティックセグメンテーションネットワーク（MSS-Net）を通じて照明特徴と反射特徴を融合しセマンティックセグメンテーション性能を向上させる。一般的なデータセットISPRS Vaihingen及びISPRS Potsdamにおいて評価指標mIoUはそれぞれ84.60%及び87.42%に達した。実験結果は本論文で提案したモデルが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タスクにおいて他モデルを凌駕することを示している。

セマンティックセグメンテーション;画像分解;Retinex理論;Transformer