计算机工程

作者：王沙沙, 李帷韬, 刘星宇, 高辉

单位：1. 鹤壁职业技术学院大数据学院, 河南 鹤壁 4580302. 电子科技大学计算机科学与工程学院, 四川 成都 6117313. 喀什地区电子信息产业技术研究院, 新疆 喀什 844099

关键词：遥感图像,卷积神经网络,Transformer网络,层级注意力,域自适应

基金：四川省科技计划项目(2023YFG0021); 河南省科技攻关计划项目(212102310550)

遥感图像语义分割技术在资源管理、自然灾害管理、环境监测和保护等领域具有重要应用价值, 然而不同的遥感图像数据集往往存在大量的异物同谱和同物异谱等现象, 极大地降低了深度学习模型的泛化性能, 同时遥感图像语义分割算法中存在跨域预测性能下降的问题。为了解决上述问题, 从神经网络模型架构和域自适应策略两个方面进行优化。首先, 提出了基于层级多头自注意力机制与多尺度特征融合的TransConv网络, 通过滑动窗口切块、多层自注意力模块和轻量前馈神经网络, 有效提升特征提取和融合的能力, 从而增强模型的泛化性能。其次, 提出一种基于自训练的域自适应技术, 该技术通过优化图像输入、模型参数和学习过程, 将带标注的源域知识成功迁移至未标注的目标域, 大幅提高了目标域的分割性能。实验结果表明, 改进后的TransConv网络不仅在泛化性能上显著优于其他算法, 基于自训练的域自适应技术也在域自适应任务中表现出色, 提升了遥感图像语义分割的准确性和泛化能力, 减少了错误伪标签的影响和解决了类不平衡问题, 为实际应用提供了更为可靠的技术支持。

来源：2026年第4期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第4期