| 内容提要: |
近年来，卷积神经网络（Convolutional Neural Network, CNN）方法被广泛应用于遥感影像的云检测任务中。许多有效的云检测方法被提出，如基于超像素的分类方法、基于端到端学习的语义分割方法等。然而，这些基于 CNN 的云检测方法大多是基于有监督框架，严重依赖大量的有标签训练数据（如图像级标签和像素级标签）。众所周知，标签标注工作是一项繁重的任务，尤其是针对大尺度的遥感影像进行像素级的人工标注。由于同谱异物、异物同谱的情况在遥感影像上十分常见，标注任务需要依赖于专家级的知识，这导致标注任务成本高、耗时长，极大地限制了有监督深度学习技术在遥感领域的推广应用。本文提出了一种特征级和输出级领域自适应的无监督学习云检测方法。所提方法分别通过分组特征对齐和熵最小化域自适应来缩小有标签卫星数据集（源域）和无标签卫星数据集（目标域）的分布差异，从而有效地将在源域卫星数据上训练的模型迁移到目标域卫星数据的云检测任务中。实验表明，所提出的方法在国产 ZY-3 卫星影像数据集上取得了较好的云检测结果。 |