Подпись теневых объектов на местности – это не только дорогостоящее, но и сложное задание, которое трудно выполнить полностью для извлечения богатой информации из высокоразрешающихся изображений снимков с удалённого зондирования. Недостаточное количество обучающих образцов серьёзно ограничивает производительность моделей обучения с учителем. Для решения указанных проблем предлагается метод обнаружения теней от объектов на местности на высокоразрешающихся изображениях снимков с удалённого зондирования на основе априорной информации по направлению теней. В данной работе исследуется эффективность априорной информации по направлению теней для отображения высокоуровневых семантических особенностей теней от объектов на местности на изображениях снимков с удалённого зондирования и на её основе создана вспомогательная задача для обнаружения теней от объектов на местности на изображениях снимков с удалённого зондирования, что позволяет реализовать метод обнаружения теней от объектов на местности с использованием полу-надзорного обучения. В данной работе разрабатывается механизм обработки шума, независимого от сменяющихся направлений и создаётся стратегия увеличения данных для полу-надзорного обучения обнаружению теней. Это дополнительно повышает способность глубоких нейронных сетей к изучению ключевых особенностей теней объектов на местности. Результаты экспериментов на наборе данных AISD показывают, что предложенный метод значительно повышает точность обнаружения теней объектов на местности с использованием лишь небольшого количества этикеток, а также границы теней объектов на местности становятся более плавными и регулярными, что ближе к реальной ситуации на местности.

Обнаружение теней; Полу-надзорное обучение; Увеличение данных; Априорная информация по направлению теней; Высокоразрешающие изображения снимков с удалённого зондирования