一种基于多层次、多角度对比学习的农用地遥感语义自监督分割模型

打开文本图片集

摘 要：针对传统遥感领域使用对比学习方法难以获取多层次、多角度信息的问题，提出了一种自监督对比学习模型MLCL。该模型通过注意力机制捕捉局部细节与整体结构，同时，分别对多层次特征、风格特征和区域特征执行对比学习以获取精准的信息表示。实验在Agricultural-Land-Cover及耕地数据集上进行，MLCL模型的平均交并比（mIoU）值分别达到了78.69%和87.95%，平均准确率（mACC）值为86.43%和93.62%，平均F1值（mF1）值则达到了87.73%和93.59%，均优于Barlow-Twins、BYOL、MoCo和GLCNet等模型，验证了该方法设计策略的有效性以及对数据量的低依赖性。（剩余54字）