近日，张永军老师团队在地球科学与遥感领域顶级国际期刊《IEEE Transactions on Geoscience and Remote Sensing》（JCR-1，中科院一区TOP期刊，世界遥感领域三大刊之一）上发表题为《Prior Information-Guided Semi-Supervised Semantic Segmentation of Remote Sensing Images》（PGNet）的学术论文，展现了团队在遥感图像领域的深厚积累与创新实力。论文第一作者为2023级硕士研究生甘小容，张永军老师为通讯作者。公共大数据国家重点实验室和贵州商学院为共同单位。

遥感图像语义分割是提取遥感图像信息的核心任务，对地图绘制、灾害监测、资源勘查等应用至关重要。然而，现有监督方法依赖大量标注数据，标注成本高且泛化能力有限，同时易受样本特征多样性影响，难以适配复杂的遥感场景。半监督方法可以用来解决标注成本高昂的问题，然而，由于遥感图像本身类别分布不均衡、空间布局复杂的特性往往会导致大多数半监督方法生成的伪标签不够可靠。

针对这一问题，张永军老师团队创新性地提出了一种“先验信息引导的半监督遥感图像语义分割框架”，考虑到SAM具有强大的零样本泛华能力，因此可以利用SAM为遥感图像引入边缘先验知识和特征先验信息。为了将提取到的先验特征与语义特征更好的进行融合，文章提出了先验特征指导模块（PFGM），通过设计对称交叉注意力机制保证对先验特征和语义特征的同等关注。通过这些设计，该方法显著提升了半监督学习在少量标注数据下的分割精度。

网络整体结构图

PFGM模块结构图

在多个数据集上的实验表明，PGNet中的先验特征指导模块和先验边缘提取模块，可以显著改善遥感图像半监督语义分割的性能。在ISPRS Vaihingen、ISPRS Potsdam及LoveDA三大权威遥感数据集上进行了系统性验证，结果显示：PGNet即使在标注数据极少的情况下，在这些数据集上的mIoU指标相较于国际领先算法分别提高了2.30%、6.06%和0.83%。尤其在密集建筑群、地物交错带等复杂场景下的边界分割准确率显著提高，为高分辨率遥感图像的半监督分割方法提供了新的解决方案。

论文名称：Prior Information-Guided Semi-Supervised Semantic Segmentation of Remote Sensing Images

Authors: Xiaorong Gan , Wenting Li , Yongjun Zhang , Wei Long , Yujie Lu , and Ziyang Chen

Source: IEEE Transactions on Geoscience and Remote Sensing

DOI:10.1109/TGRS.2025.3571066 

论文链接: https://ieeexplore.ieee.org/document/11006720

一审：唐玮欣

二审：何   飞

三审：龙慧云