面向对象遥感图像分析（GEOBIA）在城市制图和变化检测等领域扮演着重要角色。随着深度学习方法的兴起，GEOBIA借助其自动提取特征的能力，免去了特征选择和去冗余的操作，使得整个处理流程更加简化，同时获得更加精确的结果。然而，深度学习模型的训练却需要大量标记样本，这一要求在实际应用中往往难以满足。
为此，南京大学高分辨率遥感实验室提出并验证了一种新型半监督方法—PPM（Perturbed Peer Model）。该方法将未标记样本划分为高置信度样本和低置信度样本，结合伪标签方法和一致性正则化方法，使用差异化的手段加以利用，充分学习未标记样本特征，以少量有标记样本取得高精度的面向对象分类结果。
图1 PPM训练流程图
具体而言，设计了面向对象的联合置信度对未标记样本进行评估，将其划分为高置信度样本和低置信度样本。对高置信度样本使用伪标签方法学习其高判别力的特征信息，对大量的低置信度样本使用一致性正则化方法学习其丰富的结构化信息。进一步地，在模型中添加两种扰动（dropout和different augmentation）以驱动一致性正则化方法，维持同辈模型之间的差异，增强伪标签方法效果。
在两个研究区使用两种不同卫星影像进行验证。研究区1为韩国安山市，使用高景卫星影像，分辨率为50cm，包含红、绿、蓝、近红外四个波段，影像大小18249 × 14654像素。研究区2为南京市，使用高分二号卫星影像，分辨率为80cm，包含红、绿、蓝、近红外四个波段，影像大小19862 × 15949像素。
图2 研究区及其土地覆盖类型
结果表明，提出方法的分类精度优于self-training, co-training, noisy-student, unsupervised data augmentation for consistency training, FreeMatch等半监督分类方法。每类别仅使用10个标记样本，在两个研究区分别达到了86.84%和84.36%的分类精度。同时，研究发现合理设置扰动强度、有标记样本和无标记样本数量比例可以提高模型精度。
图3 研究区1PPM方法分类结果图（左），三个子集的方法对比结果图（右）
图4 研究区2PPM方法分类结果图（左），三个子集的方法对比结果图（右）
该研究成果近日以“Perturbed peer model with joint confidence for semi-supervised object-based classification in urban area”为题发表于International Journal of Remote Sensing。南京大学地理与海洋科学学院硕士研究生王文野为论文第一作者，张学良副教授为论文通讯作者，肖鹏峰教授、硕⼠⽣苏琪为论⽂合作作者。该研究得到国家⾃然科学基⾦项⽬（42071297）资助。
点击“阅读原文”可获取下载链接。
Wang W, Zhang X, Xiao P, et al. Perturbed peer model with joint confidence for semi-supervised object-based classification in urban area[J]. International Journal of Remote Sensing, 2023, 44(14): 4417-4440.
