摘要：作物精准遥感制图对于农业资源调查与管理具有重要意义。深度学习为实现精准高效作物制图提供了技术支持。为了缓解深度学习对标记样本的依赖，本文提出了一种改进AdvSemiSeg的半监督遥感影像作物制图方法。所提方法引入STMF-DeepLabv3+作为对抗学习中的生成网络，通过Swin Transformer（ST）和多尺度特征融合（Multi-scale fusion，MF）模块提高生成网络的特征编码能力和语义表达能力，改善遥感影像作物分割效果；此外，在判别网络中引入通道注意力（Efficient channel attention，ECA）模块，对不同通道特征图的表征信息进行自适应学习，增强判别网络对不同通道特征的感知能力。模型训练过程中，判别网络为生成网络提供高质量的伪标签和对抗损失，有效提高生成网络的泛化能力。与几种先进的半监督语义分割方法相比，所提方法对内蒙古河套灌区遥感影像种植信息提取实现了最优性能。
文章目录
0 引言
1 研究区与数据源
1.1 研究区概况
1.2 Sentinel-2影像数据集
2 研究方法
2.1 AdvSemiSeg概述
2.2 生成网络
2.3 判别网络
3 实验
3.1 实验设置
3.2 实验结果
3.2.1 不同方法分割精度比较
3.2.2 不同方法识别效果比较
3.2.3 消融实验
3.2.4 作物种植信息提取
4 讨论
4.1 样本尺寸对模型的性能影响
4.2 局限性与展望
5、结束语
