期刊介绍

ISPRS Journal of Photogrammetry and Remote Sensing 是国际摄影测量与遥感学会（ISPRS）的官方杂志。该杂志为所有国家在使用摄影测量、遥感、空间信息系统、计算机视觉和相关领域的许多学科工作的科学家和专业人员提供了一个交流渠道。该期刊在全球地球科学领域期刊中国际影响力排名前三，中科院最新升级版分区中为SCI一区Top期刊，2022年影响因子11.77。

论文简介

基于遥感图像像素分类的滑坡映射任务对于预防危害和风险评估至关重要。同时，基于深度学习的变化检测方法可通过卷积神经网络提取的特征识别出土壤，岩石和其他材料的下坡运动，从而极大地帮助了滑坡映射任务。但是，这些网络依靠大量像素级注释的数据来实现其较高的性能，并且通常在域异质图像数据上表现出较弱的泛化能力。为了解决这些问题，本工作提出了一种基于多任务域适应（MTDA）技术的，原型引导的域吸引渐进表示学习（PG-DPRL）方法，用于跨域滑坡映射任务。PG-DPRL学习一个共享的滑坡映射网络，该网络在多个目标域中表现良好，而没有额外的示例注释成本。具体而言，PG-DPRL采用了近乎自动的适应策略，以逐渐使所有目标域的表示分布与源域的差异相结合。在此基础上，跨域原型学习被利用以生成可靠的域特异性伪标记和跨域的聚合表示，以学习共享的决策边界。在每个DPRL步骤中，执行原型引导的对抗学习（PGAL）算法以实现类别表示对齐方式，并通过引入Wasserstein距离指标和交叉域原型一致性（CPC）损失来提高代表性的判别能力。本工作对全球高分辨率的滑坡映射（GVLM）数据集进行的实验，该数据集由来自不同滑坡位点的17个异质域组成，结果证明了PG-DPRL的有效性和鲁棒性。

图1. PG-DPRL

 

图3. GVLM

 

主要贡献

1.本工作提出了一种基于MTDA的新方法，即PG-DPRL，以解决在多个异构域上滑坡映射网络的标签稀缺问题和弱的概括能力。据作者所知，这项研究是第一个探索MTDA用于滑坡映射和变化检测的研究

2.本工作提出了一种近对远的适应方案，基于域差异逐步将所有目标域与源域对齐。在此方案中，原型学习被充分利用，以使用这些伪标签从不同域中生成可靠的伪标记信息，并在跨域之间进行汇总表示，以共同学习强大的决策边界。

3.本工作开发了一种原型引导的对抗学习（PGAL）算法，以应用类别表示与跨域原型一致性（CPC）的损失，以减少类别内表示方差。实验表明PGAL可以有效地减轻域差异并提高表示的判别能力。

4.本工作建立了一个基于全球17个具有细粒注释的滑坡站点的大规模基准，即全球VHR滑坡映射（GVLM）数据集，作者期望其能促进滑坡映射和变化检测研究。

 

作者简介

通讯作者：香港中文大学（深圳）潘文安教授

潘文安教授于1996年获得香港中文大学电子工程学士学位，1999年获得日本筑波大学计算机科学硕士学位，2006年获得南加州大学电气工程博士学位。从2006年到2008年，他是普林斯顿大学的博士后研究助理。目前，他是香港中文大学（深圳）(CUHKSZ)理工学院的副教授。在2015年加入CUHKSZ之前，他在新泽西州华为（美国），波士顿三菱电气研究实验室（MERL）和日本东京索尼担任过研究职位。潘文安教授的研究兴趣包括人工智能物联网和机器学习在通信和卫星遥感中的应用。

潘文安教授已获得IEEE VTC’06 Fall，IEEE ICC’08和IEEE InfoCom’09的最佳论文奖。他在2010年至2014年担任IEEE  Transactions on  Wireless  Communications的副编辑。他是深圳IEEE联合SPS-Comsoc分会的创始主席。

 

本文第一作者：武汉科学技术大学副教授 张效康

张效康博士于2018获取武汉大学摄影测量和遥感博士学位，2019年和2022年分别于香港理工大学和香港中文大学（深圳）担任博士后研究助理，目前是武汉科学技术大学信息科学与工程学院的副教授。他的研究兴趣包括遥感图像分析，计算机视觉和深度学习。他在国际期刊和会议上撰写或合著了20多篇科学出版物。

张效康教授经常担任多种著名国际期刊的审稿人，如IEEE Transactions on Neural Networks and Learning Systems，Information Fusion和IEEE Transactions on Geoscience and Remote Sensing。

 

 

论文二

 

论文链接：https://ieeexplore.ieee.org/abstract/document/10032584

期刊介绍

IEEE Transactions on Geoscience and Remote Sensing是地球科学和遥感领域的顶级期刊之一，是IEEE地球科学与遥感技术协会（GRSS）会刊，在全球地球科学领域期刊中国际影响力排名前五，中科院最新升级版分区中为SCI一区Top期刊，2022年影响因子8.125，在遥感技术和地球科学领域具有较高影响力。

 

论文简介

这项工作基于无监督域适应方法（UDA），探究了不同域之间高分辨率遥感图像的语义分割任务。大多数现有的UDA方法依赖于生成对抗网络（GAN），以应对由域间差异引起的域移位问题。但是，这些基于GAN的UDA方法大多通过卷积神经网络直接对齐两个域的外观、隐变量或输出空间，难以利用跨域的高维特征图建立长距离依赖关系，而这种高维特征在表征具有复杂内容的遥感图像中起着至关重要的作用。为了解决这一困境，本工作提出了基于互增强注意力的Transformer（MBATrans），建模高维语义特征的跨域依赖性。此外，本工作构建了一个额外的判别器学习各个域的特异性特征，进而构建了完整的GAN框架（MBATA-GAN），该方法的性能在两个大规模高分辨率遥感数据集上得到了充分验证。本工作中的代码已开源至https://github.com/sstary/SSRS。

图1. MBATrans

 

图2. MBATrans and MBA module

 

主要贡献

1.提出了MBATrans来对齐跨域高分辨率遥感图像的高维特征图。通过其全局感受野建模跨域长距离依赖性，MBATrans可以更高效地学习地面对象的可转移特征。

2.构建了多组判别，以利用MBATrans生成的高度对齐的可转移特征。在此基础上，建立了完整的GAN框架（MBATA-GAN），利用丰富的高维语义特征来克服域移位问题。

 

作者简介

通讯作者：香港中文大学（深圳）潘文安教授

本文第一作者：香港中文大学（深圳）博士生 马献平

马献平于2019年获得武汉大学地理信息科学学士学位。他目前正在香港中文大学（深圳）攻读博士学位。他的主要研究方向是：遥感、机器学习、多模态融合、域适应等。