Der Artikel präsentiert einen neuartigen frequenzzerlegungsgesteuerten unüberwachten Domänenanpassungsansatz (FD-GLGAN) für die semantische Segmentierung von Fernerkundungsbildern.
Zunächst wird eine neuartige High/Low-Frequency-Decomposition (HLFD)-Modul vorgestellt, das Hochfrequenz- und Niederfrequenzkomponenten der Merkmale vor der Domänenanpassung extrahiert. Dadurch können gleichzeitig lokale Details und globale semantische Kontexte über Domänengrenzen hinweg angeglichen werden.
Darüber hinaus wird ein vollständig global-lokales generatives adversarisches Netzwerk (GLGAN) entwickelt, das globale und lokale Transformatorblöcke nutzt, um domäneninvariante detaillierte und semantische Merkmale über Domänen hinweg zu lernen.
Durch die Integration von HLFD-Techniken und GLGAN wird ein neuartiges unüberwachtes Domänenanpassungsframework namens FD-GLGAN entwickelt, um die Übertragbarkeit und Generalisierungsfähigkeit von semantischen Segmentierungsmodellen über Domänengrenzen hinweg zu verbessern.
Umfangreiche Experimente auf zwei Benchmark-Datensätzen zeigen, dass der vorgeschlagene Ansatz im Vergleich zu state-of-the-art-Methoden effektiver ist, um das Domänenverschiebungsproblem bei der domänenübergreifenden semantischen Segmentierung zu überwinden.
다른 언어로
소스 콘텐츠 기반
arxiv.org
더 깊은 질문