貴大新聞網訊（計算機科學與技術學院）近日，貴州大學計算機科學與技術學院（貴州保密學院）張永軍團隊在地球科學與遙感領域頂級國際期刊“IEEE Transactions on Geoscience and Remote Sensing”（JCR-1，中科院一區TOP期刊，世界遙感領域三大刊之一）上發表題為“Prior Information-Guided Semi-Supervised Semantic Segmentation of Remote Sensing Images”（PGNet）的學術論文。論文第一作者為2023級碩士研究生甘小容，張永軍老師為通訊作者。公共大數據國家重點實驗室和貴州商學院為共同單位。

遙感圖像語義分割是提取遙感圖像信息的核心任務，對地圖繪制、災害監測、資源勘查等應用至關重要。然而，現有監督方法依賴大量標注數據，標注成本高且泛化能力有限，同時易受樣本特征多樣性影響，難以適配復雜的遙感場景。半監督方法可以用來解決標注成本高昂的問題，然而，由于遙感圖像本身類別分布不均衡、空間布局復雜的特性往往會導致大多數半監督方法生成的偽標簽不夠可靠。

針對這一問題，張永軍老師團隊創新性地提出了一種“先驗信息引導的半監督遙感圖像語義分割框架”，考慮到SAM具有強大的零樣本泛化能力，因此可以利用SAM為遙感圖像引入邊緣先驗知識和特征先驗信息。為了將提取到的先驗特征與語義特征更好地進行融合，文章提出了先驗特征指導模塊（PFGM），通過設計對稱交叉注意力機制保證對先驗特征和語義特征的同等關注。通過這些設計，該方法顯著提升了半監督學習在少量標注數據下的分割精度。

在多個數據集上的實驗表明，PGNet中的先驗特征指導模塊和先驗邊緣提取模塊，可以顯著改善遙感圖像半監督語義分割的性能。在ISPRS Vaihingen、ISPRS Potsdam及LoveDA三大權威遙感數據集上進行了系統性驗證，結果顯示：PGNet即使在標注數據極少的情況下，在這些數據集上的mIoU指標相較于國際領先算法分別提高了2.30%、6.06%和0.83%。尤其在密集建筑群、地物交錯帶等復雜場景下的邊界分割準確率顯著提高，為高分辨率遙感圖像的半監督分割方法提供了新的解決方案。

編輯：張蟬

責編：李旭鋒

編審：丁龍