BriefGPT - AI 论文速递
·
西阿姆分割：基于对比学习的自我训练进行遥感中无监督领域适应
💡
原文中文，约600字，阅读约需2分钟。
📝
内容提要
跨领域语义分割的无监督领域自适应技术在遥感图像中取得进展。现有方法难以同时保留细节和语义。为此，提出高/低频分解技术和全局局部生成对抗网络，开发了FD-GLGAN框架，提高模型的跨领域传递性和泛化能力。在ISPRS数据集上的实验显示其优越性。
🎯
关键要点
- 跨领域语义分割的无监督领域自适应技术在遥感图像中取得显著进展。
- 现有方法难以同时保留细节和语义，主要关注高级特征空间中的领域对齐。
- 提出高/低频分解技术（HLFD）以指导跨领域语义分割中的表示对齐。
- HLFD将特征图分解为高频和低频分量，以便在子空间中进行域对齐。
- 提出全局局部生成对抗网络（GLGAN），通过全局局部变压器块学习域不变的细节和语义特征。
- 整合HLFD和GLGAN，开发FD-GLGAN框架，提高模型的跨领域传递性和泛化能力。
- 在ISPRS Potsdam和ISPRS Vaihingen数据集上的实验显示所提方法的有效性和优越性。