基于半监督对抗学习的遥感图像水体提取

作者：逯焕宇; 张永宏; 马光义; 谢东林; 田伟

来源：计算机工程, 2023, 1-17.

DOI：10.19678/j.issn.1000-3428.0068129

• 语义分割
• 半监督
• 卷积神经网络
• Swin Transformer
• 遥感图像

语义分割技术被广泛的应用在遥感图像水体提取任务中，然而语义分割的结果极大依赖于数据集的规模，针对遥感图像中水体数据集较少、获得精准标注数据成本高的问题，提出一种用于水体提取的半监督对抗语义分割方法。作为生成器的分割网络中的卷积操作具有受限的感受野，缺乏对长距离上下文关系的建模能力，Transformer能够建模图像的全局信息。该方法在分割网络中采用Swin Transformer建模深层特征的全局上下文信息，挖掘像素之间的语义关系，提高网络的特征提取能力。采用双卷积块提取图像的局部特征，保留高分辨率细节信息。特征增强模块（feature enhancement module，FEM）用于抑制图像的背景噪声干扰，进一步提高水体提取的精度。分割网络和判别器网络共同训练提高在使用少量有标签数据条件下模型提取水体的性能。在GID数据集（gaofen image dataset， GID）上进行了大量实验，实验结果表明该方法在不同比例有标签数据条件下均提高了水体提取的精度。在仅1/8有标签数据的条件下，该方法取得的F1-Score和IoU分别为90.02%、81.86%，优于UNet、MWEN等其他语义分割网络。

• 出版日期2023
• 单位南京信息工程大学; 自动化学院