La segmentación de imágenes satelitales permite lograr a la vez una localización precisa del objeto objetivo y una clasificación de píxeles, lo que representa una tarea importante y extremadamente difícil. La mayoría de los métodos actuales de segmentación de imágenes satelitales se basan en anotaciones precisas de píxeles, lo que aumenta su costo. Además, los fondos complejos y los contornos complejos de los objetos en las imágenes satelitales también aumentan la dificultad de la segmentación. Para superar estos obstáculos, construimos un sistema impulsado por información a priori para la tarea de segmentación débil de imágenes satelitales, y propusimos un tipo de red para la segmentación débil de imágenes satelitales basada en múltiple información a priori. Específicamente, la información inicial para la tarea de segmentación se dividió en información de la tarea e información de la imagen, donde la información de la tarea proviene de tareas de detección de cuadros estrechamente relacionadas con la segmentación de imágenes, y la información de la imagen proviene de la inducción y la exploración de la información de la imagen en sí. Además, la información inicial de la tarea se caracterizó con funciones de restricción de máscara-cuadro, una función de dificultad de distinción de píxeles y una restricción de posición central para controlar el tamaño de la máscara y asegurar una atención completa a los píxeles clave y a las áreas de la imagen. La información inicial de la imagen se construyó mediante la inducción y la exploración de la información de la imagen en sí. Además, se diseñaron restricciones de compatibilidad de imágenes vecinas y restricciones de compatibilidad de gradientes para construir información inicial de la imagen, permitiendo que la red distinga eficazmente el primer plano y el fondo y se adapte a los contornos complejos de los objetos en imágenes satelitales. Los resultados de los experimentos en conjuntos de datos de imágenes satelitales ópticas y de radar muestran que el enfoque propuesto puede alcanzar valores de AP de 52,5 y 54,1 sin ninguna anotación a nivel de píxeles, superando el enfoque actual de segmentación débil y alcanzando el 89,3% y 84,3% de Mask R-CNN con control total. Este método puede proporcionar una solución de decodificación de alto rendimiento y bajo costo para las imágenes satelitales.

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