边界引导与形状感知的遥感图像半监督语义分割

目的针对现有遥感图像半监督分割方法存在的伪标签利用率低及物体边界处误分等问题，提出一种边界引导与形状感知的半监督语义分割网络（boundary-guided and shape-aware semi-supervised semantic segmentation network，BS5-Net），提升模型在复杂场景下的分割性能。方法首先，利用像素间的相关性建模形状信息，以此修正伪标签中由于置信度低而被忽略的正确预测，使伪标签质量得到有效提升，从而为模型训练提供更可靠的监督信号；其次，针对边界区域因下采样导致的空间细节与边缘信息丢失问题，引入基于Canny边缘检测器的辅助优化模块，通过轮廓引导特征图学习，锐化分割边界；最后，设计了一个三阶段动态阈值函数，根据置信度平均值分阶段调整阈值，从而更精准地甄别可靠样本。结果在Potsdam、Vaihingen和LoveDA这三个公开数据集上的实验结果表明，仅使用1/4有标签训练样本时，本研究的方法在Potsdam数据集上的平均交并比（mean intersection over union，mIoU）达到83.43%，性能超越现有先进方法1.28%，在Vaihingen数据集上的mIoU达到75. 51%，性能超越现有先进方法1.01%，在LoveDA数据集上的mIoU达到51.88%，性能超越现有先进方法2.72%；当有标签训练样本减少至1/8时，本研究的方法在Potsdam数据集上的mIoU为82.95%，性能超越现有先进方法3.02%，在Vaihingen数据集上的mIoU为74.70%，性能超越现有先进方法2.12%，在LoveDA数据集上的mIoU达到51.66%，性能超越现有先进方法3.26%。结论本研究提出的方法有效提升了特征判别与边界分割能力，优化了伪标签的生成质量，提高了伪标签的利用率，在性能上取得了优于现有先进方法的结果，为相关领域的探索提供了新思路。代码开源链接https：//github.com/AquariusRY/BS5-Net。