Семантический сегментационный обработка спутниковых изображений играет важную роль в классификации и использовании покрывайасров и городском планировании и обнаружении изменений. Как потенциальный метод глубокого обучения без учителя, технология адаптации домена значительно сдвинула развитие семантической сегментационной обработки спутниковых изображений. Однако текущая модель основана на одной задаче обучения, и полученные сегментационные признаки недостаточно полны, что затрудняет точную идентификацию сложных областей на спутниковых изображениях в процессе сегментации. Для решения этой проблемы в данной статье предложена многозадачная сеть сегментации семантики адаптации домена (MTLDANet), которая повышает способность обучения сегментационных признаков путем совместного изучения информации о семантике спутниковых изображений и информации о высоте. Конкретно, этот метод вводит задачи-специфические семантические признаки и высотные признаки в модуль совместного изучения признаков по задачам и изучения скрытых связей между задачами, что позволяет получить более сильное представление задач-специфических признаков. Посредством модуля смешанного изучения согласованности, направляемого псевдо-метками, улучшается качество псевдо-меток, обеспечивая последовательное пространственное выравнивание. Кроме того, энтропия-направляемое категориальное выравнивание дополнительно усиливает четкость классификации сложных категорий. Данная статья провела четыре эксперимента по сегментации семантики спутниковых изображений в различных сценариях адаптации домена на двухмерных данных ISPRS и трехмерных данных US3D. Результаты показывают, что предложенный метод значительно превосходит текущие методы адаптации домена в различных сложных сценариях кросс-доменной адаптации.

Сегментация семантики; Адаптация домена без наблюдения; Спутниковые изображения; Многозадачное обучение; Информация о высоте; Информация о семантике; Псевдо-метки; Энтропия