地科学院高贤君副教授在遥感领域主流期刊《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》上发表题为“Two-stage Domain Adaption based on Image and Feature Levels for Cloud Detection in Cross-spatiotemporal Domain”的研究论文。

该研究主要针对有限样本的云检测语义分割模型无法保证源域（SD）和目标域（TD）之间数据分布的一致性，导致跨域分割精度和鲁棒性能力下降。因此，本文提出了一种基于图像和特征层的两阶段域自适应（TDAIF）云检测框架。TDAIF （图1）在图像层设计了一个伪目标域数据生成器（PTDDG），有效融合标清前景和标清背景信息，辅助模型挖掘标清的不变语义知识。然后，在特征层面探索了一个域判别和自组装联合（DDSEJ）框架，隐式地处理全局特征的对齐和决策边界-局部特征的优化。TDAIF 最终削弱了图像辐射多样性和尺度发散的影响，提高了跨时空数据的自适应处理能力。在三个域传输数据上对 TDAIF 进行了横向和内部对比实验。实验结果表明，TDAIF 显著降低了跨域网络精度损失。与 CycleGAN 和 AdaptSegNet 相比，IoU 提高了约 30%。TDAIF 的表现优于最先进的计算视域适应方法，这表明从图像到特征层的分层数据对齐非常有效（图2）。

《IEEE Transactions on Geoscience and Remote Sensing》（TGRS）是由电气和电子工程师协会（Institute of Electrical and Electronics Engineers, IEEE）地球科学与遥感学会（Geoscience and Remote Sensing Society, GRSS）出版的旗舰期刊。该期刊专注于发表高质量的原创研究论文，涵盖地球科学、遥感以及相关领域的最新进展。内容包括地球观测、卫星遥感、遥感数据处理和解释、遥感技术的新发展、遥感应用以及相关的政策和法律问题。该期刊2022-2023最新影响因子为8.2，为一区。

论文链接：https://ieeexplore.ieee.org/abstract/document/10439235

图 1 TDAIF 流程图

图 2基于 MTDR-Net 框架和 HRC_WHU 训练数据，使用不同方法在 CloudS26 测试集上检测云的结果直观对比

图 3 论文首页