Семантическая сегментация изображений дистанционного зондирования играет важную роль в классификации землепользования и покрытий, городском планировании и обнаружении изменений. Технология адаптации домена, как многообещающий метод обучения без учителя, значительно способствовала развитию семантической сегментации изображений дистанционного зондирования. Однако существующие модели основаны на обучении одной задаче, в результате чего получаемые сегментационные признаки недостаточно полные, что приводит к трудностям в точном распознавании сложных областей на изображениях дистанционного зондирования в процессе сегментации. Для решения этой проблемы в статье предлагается многозадачная сетевая модель адаптации домена MTLDANet (Muti-Task Learning Domain Adaption Network) для семантической сегментации, которая посредством совместного обучения семантической и высотной информации в изображениях дистанционного зондирования повышает способность обучения сегментационных признаков. В частности, метод вводит специфические для задач семантические и высотные признаки в модуль межзадачного корреляционного обучения признаков, выявляя скрытую взаимосвязь между задачами, что позволяет получить более сильное выражение признаков, специфичных для задач. Модуль согласованного обучения с псевдо-метками улучшает качество псевдо-меток для достижения глобального и локального выравнивания. Кроме того, модуль выравнивания на уровне классов, управляемый энтропией, дополнительно усиливает различимость трудно классифицируемых классов. Наконец, на базах данных ISPRS 2D и US3D проведены четыре группы экспериментов по семантической сегментации изображений дистанционного зондирования в разных сценариях. Результаты показывают, что предлагаемый метод значительно превосходит существующие методы адаптации домена в различных сложных междоменных сценариях.

семантическая сегментация; обучение без учителя; адаптация домена; изображения дистанционного зондирования; многозадачное обучение; информация о высоте; семантическая информация; псевдо-метки; энтропия