Сегментация образцов с дистанционных изображений позволяет одновременно осуществлять точное определение цели объекта и классификацию пикселей, что является важной и чрезвычайно сложной задачей. Большинство существующих методов сегментации дистанционных изображений полагаются на точные аннотации пикселей, что увеличивает их стоимость. Кроме того, сложные фоны и контуры объектов на дистанционных изображений также увеличивают сложность сегментации. Чтобы преодолеть эти препятствия, мы создали систему, управляемую априорной информацией для задачи слабой сегментации образцов дистанционных изображений, и предложили сеть для слабой сегментации образцов с дистанционных изображений на основе множественной априорной информации. Конкретно, первичную информацию для задачи сегментации была разделена на информацию о задачах и информацию об изображении, где информация о задачах происходит от задач обнаружения ограничительных рамок, тесно связанных с сегментацией образцов, и информация об изображении происходит из обобщения и изучения информации об изображении самом себе. Кроме того, первичная информация о задачах была охарактеризована с помощью функций сопоставления рамок и оценочной функции сложности пикселей и ограничением на центральное положение, чтобы управлять размером маски и обеспечить ее полное внимание к ключевым пикселям и областям изображения. Начальная информация об изображении была собрана с использованием вывода и исследования информации об изображении. Кроме того, были созданы ограничения на согласование смежных изображений и ограничения соответствия градиентов для построения начальной информации об изображении, что делает сеть эффективной в разделении переднего и заднего плана и в приспособлении к сложным контурам объектов на дистанционных изображениях. Результаты экспериментов на наборах данных оптических и радиолокационных изображений дистанционных изображений показали, что предложенный метод может достичь значений AP в размере 52,5 и 54,1 без каких-либо аннотаций на уровне пикселя, превышающих текущий подход к слабой сегментации и достигающих 89,3% и 84,3% Mask R-CNN с полным контролем. Этот метод может обеспечить высокопроизводительное и недорогое решение для декодирования дистанционных изображений.

remote sensing image;instance segmentation;fine-grained interpretation;weakly supervised learning;priori information;driven system;target contour;annotation cost