基于伪标签的卫星图像半监督语义分割方法研究.pdf

摘要

卫星图像语义分割是图像分割领域中的一项重要任务。随着卫星技术的发展，

人们可获取的卫星图像数目越来越多，这为进行相关领域的研究提供了充足的数

据支持。同时随着深度学习技术的发展，一些基于深度学习的语义分割模型相继

提出，并在特定的场景取得了显著的成果。然而在卫星图像语义分割任务中，存

在着标签数量不足的问题。且获取足量的标签，需要足够的专业知识，同时也会

消耗大量的时间和精力，因此现在的卫星图像数据集出现数据标签匮乏或者卫星

图像数据集标签数据齐全但数据集偏小的现象。这一现象导致现在的研究人员需

要耗费大量时间对获得的数据集进行标注。

针对这一现象,本文使用深度学习中的半监督学习方法，对卫星图像数据中

的语义特征进行学习，生成伪标签以替代未标签区域原本需要的人工标签数据，

并将伪标签编入数据集进行二次训练，以此来解决数据集中标签数据匮乏的问题。

本文针对数据集标签数据不足的问题进行研究，主要研究工作如下：

(1)使用MeanTeacher模型将一个语义分割任务拆分为一个伪标签生成任务

和一个有监督任务。传统的MeanTeacher模型是教师模型先进行训练且将其训练

结果用于生成伪标签，然后利用伪标签对学生模型训练，最终得到能够完成语义

分割任务的学生网络。传统的MeanTeacher模型两个网络间具有很强的直接关联

性，往往会出现教师模型的错误在学生模型中放大的现象。而本文提出一种双分

支的伪标签生成模型进行伪标签的生成，并将之作为学生模型进行整个模型的训

练。同时，将MeanTeacher模型的两个网络模型分离，执行不同的分割任务以提

高两个网络的独立性，将两个网络的直接联系降低，以减少伪标签的错误对最终

的预测结果造成的影响。

(2)针对伪标签的生成问题，即避免偏差较大的伪标签来训练学生模型，将

FixMatch模型中的置信度思想融入MeanTeacher模型中。本文借鉴FixMatch模型

和其他区域置信度模型的思路，设置二次置信和语义纠正模块，从而充分利用无

标签数据。并降低学习结果较差的语义类别的阈值，以鼓励模型从未标记数据集

中学习更多该语义类别的特征。此外，引入分割类别概率图与分割结果进行对比，

并从语义纠正的图像中提取低置信度图像作为负面对照样本，计算对比损失并与

交叉熵损失共同控制模型的预测结果，从而提高预测结果的准确性。

关键词：半监督学习，语义分割，区域置信度，伪标签，对比损失

Abstract

Assatellitetechnologycontinuestoadvance,thefieldofsatelliteimagese

manticsegmentationhasgainedsignificantimportanceinthebroaderrealmof

imagesegmentation.Theproliferationofsatelliteimages,duetotechnologicala

dvancements,hasresultedinanabundanceofdataresources,therebyfacilitatin

gextensiveresearchinrelateddomains.Theadvancementofdeeplearningtec

hnologyhasledtotheemergenceofvarioussemanticsegmentationmodels,w

hichhaveshownremarkableachievementsinspecificscenarios.Thesemodels,

builtupondeeplearningtechniques,havedemonstratedsignificantprogress,un

derscoringtheirpotentialforfurtheradvanceme