원격 탐사 이미지 의미 분할은 토지 덮개 및 이용 분류, 도시 계획 및 변화 감지 등 여러 분야에 중요한 역할을 한다. 잠재력이 매우 뛰어난 비감독 학습 방법으로서 도메인 적응 기술은 원격 탐사 이미지 의미 분할의 발전을 크게 촉진시켰다. 그러나 현재 모델은 단일 작업에 기반한 상태에서 학습하기 때문에 분할된 특징이 충분하지 않으며 복잡한 지역을 정확하게 인식하기 어렵다. 이 문제를 해결하기 위해 본 논문에서는 다중 작업 학습 도메인 적응 의미 분할 네트워크(MTLDANet)를 제안한다. 이 네트워크는 원격 탐사 이미지의 의미 정보와 고도 정보를 협력하여 분할 특징의 학습 능력을 향상시킨다. 구체적으로, 본 방법은 작업 특정 의미적 특징과 고도 특징을 작업 간 특징 연관 학습 모듈로 입력하여 작업 간 잠재적인 상관관계를 발견하여 더 강력한 작업 특정 특징 표현을 얻는다. 의사 라벨 유도 혼합 일관성 학습 모듈을 통해 의사 라벨의 품질을 향상시켜 전역 도메인 정렬을 실현한다. 또한 엔트로피 가이드 범주 수준 정렬은 어려운 분류 범주의 구별을 더 강화시킨다. 본 논문에서 ISPRS 2D 및 US3D 데이터 세트를 기반으로 네 가지의 다중 도메인 원격 탐사 이미지 의미 분할 실험을 수행하였다. 결과는 본 제안된 방법이 다양한 복잡한 다중 도메인 상황에서 기존의 도메인 적응 방법보다 현저히 우수함을 보여주었다.

의미 분할; 비감독 도메인 적응; 원격 탐사 이미지; 다중 작업 학습; 고도 정보; 의미 정보; 의사 라벨; 엔트로피