近日，安徽大學(xué)互聯(lián)網(wǎng)學(xué)院賈兆紅教授、徐凱副教授課題組在遙感智能解譯方面取得重要進(jìn)展，先后有兩篇研究成果被遙感領(lǐng)域國(guó)際頂級(jí)期刊IEEE Transactions on Geoscience and Remote Sensing在線發(fā)表，一篇研究成果被地理信息領(lǐng)域頂級(jí)期刊Geospatial Information Science期刊在線發(fā)表。

       論文“Enhancing Remote Sensing Scene Classification With Hy-MSDA: A Hybrid CNN–Transformer for Multisource Domain Adaptation”（doi: 10.1109/TGRS.2024.3516522）聚焦于遙感圖像場(chǎng)景分類中的域偏移問(wèn)題，尤其是在目標(biāo)域缺乏標(biāo)簽數(shù)據(jù)的情況下，提出了一種創(chuàng)新性方法——Hy-MSDA。該方法結(jié)合CNN和Transformer，旨在實(shí)現(xiàn)高效的多源無(wú)監(jiān)督領(lǐng)域自適應(yīng)（MUDA）。Hy-MSDA設(shè)計(jì)了兩個(gè)關(guān)鍵模塊：一致性學(xué)習(xí)模塊和動(dòng)態(tài)加權(quán)策略，分別在特征層和決策層實(shí)現(xiàn)跨域?qū)R優(yōu)化。在特征層，一致性學(xué)習(xí)模塊確保從多個(gè)源域中提取一致的域不變特征，同時(shí)保留豐富的全局語(yǔ)義信息；在決策層，動(dòng)態(tài)加權(quán)策略依據(jù)源域貢獻(xiàn)度進(jìn)行自適應(yīng)加權(quán)調(diào)整，從而最大化目標(biāo)域的分類精度。這兩個(gè)模塊相輔相成，顯著提升了多源領(lǐng)域自適應(yīng)任務(wù)的表現(xiàn)。實(shí)驗(yàn)結(jié)果表明，Hy-MSDA在多個(gè)遙感數(shù)據(jù)集上的分類精度提升了2%–7%，并在遙感圖像分割任務(wù)中展現(xiàn)出與監(jiān)督方法相當(dāng)?shù)膬?yōu)異表現(xiàn)。該方法為解決遙感圖像領(lǐng)域的域偏移問(wèn)題提供了全新思路，具有廣泛的應(yīng)用價(jià)值。 

圖1  Hy-MSDA方法框架圖

       論文“A Contrastive Learning Enhanced Adaptive Multimodal Fusion Network for Hyperspectral and LiDAR Data Classification”（doi: 10.1109/TGRS.2024.3521960）聚焦于高光譜圖像與激光雷達(dá)圖像的多模態(tài)融合分類問(wèn)題，尤其是在標(biāo)注數(shù)據(jù)稀缺的條件下，提出了一種創(chuàng)新性模型——CAMFNet。CAMFNet采用對(duì)比學(xué)習(xí)策略和層次融合策略，通過(guò)雙分支網(wǎng)絡(luò)實(shí)現(xiàn)高效的多模態(tài)數(shù)據(jù)交互與融合。針對(duì)標(biāo)注數(shù)據(jù)成本高的問(wèn)題，模型引入了語(yǔ)義相似性對(duì)比損失，從無(wú)標(biāo)簽數(shù)據(jù)中學(xué)習(xí)多模態(tài)特征，實(shí)現(xiàn)跨模態(tài)語(yǔ)義對(duì)齊，充分挖掘未標(biāo)注數(shù)據(jù)的潛力。在特征融合方面，設(shè)計(jì)了跨模態(tài)特征交互融合模塊，利用自適應(yīng)權(quán)重分配機(jī)制對(duì)光譜－空間和高程特征進(jìn)行精細(xì)融合。此外，還開(kāi)發(fā)了通道分割與整合模塊，進(jìn)一步整合多模態(tài)融合特征，提升深層次融合效果。實(shí)驗(yàn)結(jié)果顯示，CAMFNet在多個(gè)公開(kāi)高光譜－激光雷達(dá)遙感數(shù)據(jù)集上取得了領(lǐng)先的分類精度，尤其在訓(xùn)練樣本較少的情況下表現(xiàn)尤為突出。該研究為多模態(tài)遙感圖像協(xié)同分類提供了一種創(chuàng)新性解決方案，展示了良好的應(yīng)用前景。 

圖2  CAMFNet方法框架圖

       論文“ADAC: An Active Domain Adaptive Network with Progressive Learning Strategy for Cloud Detection of Remote Sensing Imagery”（doi: 10.1080/10095020.2024.2389958）聚焦于提升遙感衛(wèi)星云檢測(cè)模型在不同遙感衛(wèi)星數(shù)據(jù)域中的適應(yīng)性與應(yīng)用能力，論文提出了一種主動(dòng)領(lǐng)域自適應(yīng)網(wǎng)絡(luò)ADAC，該網(wǎng)絡(luò)通過(guò)引入主動(dòng)學(xué)習(xí)策略，選擇少量具有代表性的樣本進(jìn)行標(biāo)注，從而有效地將源域訓(xùn)練模型遷移到目標(biāo)域。與完全無(wú)標(biāo)記的目標(biāo)域訓(xùn)練策略相比，ADAC更加實(shí)用，能夠以少量標(biāo)記樣本實(shí)現(xiàn)顯著的遷移效果。同時(shí)，針對(duì)復(fù)雜云場(chǎng)景的檢測(cè)挑戰(zhàn)，創(chuàng)新性地設(shè)計(jì)了云分割生成器網(wǎng)絡(luò)G，采用漸進(jìn)式學(xué)習(xí)策略，將網(wǎng)絡(luò)訓(xùn)練分為兩個(gè)階段：通過(guò)學(xué)習(xí)梯度信息指導(dǎo)云邊界的精準(zhǔn)分割，并有效區(qū)分云與云狀物體。G網(wǎng)絡(luò)融合了Transformer和卷積神經(jīng)網(wǎng)絡(luò)CNN的特性，以解決薄云誤分類的難題，從而進(jìn)一步提升檢測(cè)性能。實(shí)驗(yàn)在Sentinel-2、Landsat 8、GF-2多個(gè)數(shù)據(jù)集上進(jìn)行了驗(yàn)證，結(jié)果表明，在目標(biāo)域僅標(biāo)注5%訓(xùn)練樣本的情況下，ADAC實(shí)現(xiàn)了目標(biāo)域總體精度提升4%的效果，展現(xiàn)了出色的遷移適應(yīng)性能，為遙感圖像云檢測(cè)提供了一種高效且可靠的解決方案。 

圖3  ADAC方法框架圖

新聞鏈接：https://www.ahu.edu.cn/2024/1225/c15129a355176/page.htm

網(wǎng)站內(nèi)容來(lái)源于互聯(lián)網(wǎng)，由網(wǎng)絡(luò)編輯負(fù)責(zé)審查，目的在于傳遞信息，提供專業(yè)服務(wù)，不代表本網(wǎng)站平臺(tái)贊同其觀點(diǎn)和對(duì)其真實(shí)性負(fù)責(zé)。如因內(nèi)容、版權(quán)問(wèn)題存在異議的，請(qǐng)與我們?nèi)〉寐?lián)系，我們將協(xié)調(diào)給予處理（按照法規(guī)支付稿費(fèi)或刪除），聯(lián)系方式：ahos@aiofm.ac.cn 。網(wǎng)站平臺(tái)將加強(qiáng)監(jiān)控與審核，一旦發(fā)現(xiàn)違反規(guī)定的內(nèi)容，按國(guó)家法規(guī)處理，處理時(shí)間不超過(guò)24小時(shí)