Apr, 2024
基于频率分解的无监督领域自适应方法在遥感图像语义分割中的应用
Frequency Decomposition-Driven Unsupervised Domain Adaptation for Remote Sensing Image Semantic Segmentation
Xianping Ma, Xiaokang Zhang, Xingchen Ding, Man-On Pun, Siwei Ma
TL;DR基于跨领域语义分割的遥感图像的无监督领域自适应（UDA）技术已经在地球科学的深度学习应用中有了显著的进展。最近，Transformer 模型在 RS-UDA 任务中得到了成功应用。然而，现有的 UDA 方法主要关注高级特征空间中的领域对齐，对于 RS 图像的语义分割任务，同时保留跨领域的本地空间细节和全局语境语义仍然具有挑战性。为了解决这些问题，我们提出了新颖的高 / 低频分解（HLFD）技术，以指导跨领域语义分割中的表示对齐。具体而言，HLFD 试图在域对齐之前将特征图分解为高频和低频分量，为分别的子空间中进行域对齐。其次，为了进一步促进分解特征的对齐，我们提出了全局局部生成对抗网络（GLGAN），通过利用全局局部变压器块（GLTB）在领域之间学习域不变的细节和语义特征。通过整合 HLFD 技术和 GLGAN，我们开发了一种名为 FD-GLGAN 的新型 UDA 框架，以提高语义分割模型的跨领域可传递性和泛化能力。在 ISPRS Potsdam 和 ISPRS Vaihingen 这两个优质分辨率基准数据集上进行的大量实验凸显了所提方法相对于最先进的 UDA 方法的有效性和优越性。本文的源代码将在此 https URL 进行访问。