yl7703永利集团高贤君副教授组研究型论文“PTDA: Progressive Pseudo-Label Learning for Cross-Domain Cloud Detection in High-Resolution Remote Sensing”(第一作者：2023级硕士生匡金，通讯作者： 高贤君副教授)被中科院一区TOP期刊IEEE Transactions on Geoscience and Remote Sensing (TGRS,CCF B类期刊，IF = 8.6)录用。

高分辨率遥感影像（HRSIs）的全局云检测是获取高质量影像和优化数据利用的关键，传统的基于有限样本和全监督学习的云检测模型难以适应跨时空域的云检测，而现有的无监督域自适应（UDA）方法虽然在一定程度上提高了跨域云检测的性能，然而面临针对全球性跨空间、跨时间的云检测的难题，本文提出了一种渐进式伪标签学习方法，用于高分辨率遥感中的跨域云检测（PTDA）。具体而言，首先提出了一种基于域不变特征引导的在线伪标签生成（OPLG）策略，学习域内非对齐特征（LIUF），该方法有效地结合了域不变特征和域内语义，在特征级生成高质量的伪标签，然后LIUF在像素级细化伪标签质量。其次，在模型训练过程中，伪标签约束的域内特征挖掘丢失（PCIF Loss）旨在抑制域内的噪声语义信息、厚/薄云的孔洞效应以及轮廓边界的噪声干扰。构建四大公开云检测数据集，包括MS Cloud（MS）、HRC_WHU Cloud（WHU）、95 Cloud（95）和WHUS2-CD+（S2），被分为三个跨域任务进行测试：MS2WHU、MS 2S2和WHU295。本文方法取得了卓越性能，在三大云检测跨域任务上平均交并比（mIoU）分别为63.99%、58.14%和58.82%，实验结果表明，该方法的性能优于七种SOTA跨域比较方法，因此PTDA为跨域云检测任务提供新的解决思路。相关代码可从https://github.com/gasking/PTDA下载。

图1. PTDA框架概述（其中绿色框为域不变特征学习的第一阶段，虚线框为通过熵和IoU对目标域的样本划分，虚线框为不同域的数据增强手段，青色框为渐进式伪标签学习阶段）。

表1.使用CNN/Transformer架构作为Backbone进行特征提取，分析了不同模型架构下的参数和计算复杂性（粗体表示最佳结果）

图2.主流伪标签生成策略的可视化结果（绿色：TP;黄色：FN;蓝色：FP;和白色：TN）。

图3.不确定性熵可视化云的边界和内部（如红框所示，不确定性纠缠越大，熵越高）。

该项工作得到湖北省教育厅科研计划重点项目（D20231304）、天津市科技计划项目（23YFYSHZ00190）、西藏自治区科技重大专项项目（XZ202402ZD0001）以及国家科技重大专项（2024ZD1001003）资助。

原文链接：https://ieeexplore.ieee.org/document/10998457