Сегментация экземпляров на дистанционных изображениях позволяет одновременно осуществлять локализацию объектов заинтересованности на уровне целевых областей и классификацию на уровне пикселей, что является важной и сложной задачей. Большинство современных методов сегментации экземпляров для дистанционных изображений опираются на подробную разметку на уровне пикселей, что требует значительных затрат. Кроме того, смешанный фон и сложные контуры объектов на дистанционных изображениях также усложняют сегментацию. Для решения этих задач в статье построена система приоритетной информации, пригодная для задачи слабо контролируемой сегментации экземпляров дистанционных изображений, и предложена сеть слабо контролируемой сегментации экземпляров, основанная на многократных приоритетах. Конкретно, приоритетная информация в задаче слабо контролируемой сегментации экземпляров делится в зависимости от источника на приоритеты задачи и приоритеты изображения, где приоритет задачи происходит от плотно связанной задачи обнаружения ограничивающих рамок, а приоритет изображения — от обобщения и извлечения информации самого изображения. Далее разработаны три конкретных компонента для воплощения приоритетной информации задачи: ограничение согласованности проекции рамки и маски, функция характеристики сложности различения пикселей и ограничение приоритета центрального положения, которые позволяют сети определять размер маски и полностью фокусироваться на ключевых пикселях и областях изображения; а также два компонента для построения приоритетной информации изображения: ограничение соседней визуальной согласованности и ограничение градиентной согласованности, которые позволяют сети эффективно разделять передний и задний план и адаптироваться к сложным контурам объектов в дистанционных изображениях. Экспериментальные результаты на оптических и SAR наборах данных дистанционных изображений показывают, что предложенный метод достигает значения AP 52.5 и 54.1 соответственно без использования какой-либо разметки на уровне пикселей, превосходя существующие методы слабоконтролируемой сегментации и достигая 89.3% и 84.3% от полно контролируемого Mask R-CNN. Данный метод предоставляет высокоэффективное и низкозатратное решение для тонкой интерпретации дистанционных изображений.

дистанционные изображения; сегментация экземпляров; тонкая интерпретация; слабое обучение; приоритетная информация; система управления; контуры объектов; стоимость разметки