通过具有特征存储库的统一流程弥合标记数据和未标记数据之间的差距

尽管半监督语义分割（$\text{S}^4$）利用丰富的未标记数据来减少人工标记负担，但标记和未标记数据的独立训练导致前者占主导地位，从而严重降低了伪标签质量。为了应对这一挑战，我们提出了一种新颖的遥感（RS）$\text{S}^4$方法，通过带有特征存储库（UFFM）的统一流程。具体来说，UFFM 包括两项关键创新：统一流（UF）和特征存储体（FMB）。 UF是一种新的训练流程，通过将外部视觉基础模型（VFM）与RS域教师相结合来生成偏差较小的伪标签，并在统一的训练目标下联合优化标记和伪标记数据。 FMB 是一种新颖的 $\text{S}^4$ 内存模块，可在训练期间动态更新特定于类的特征，并通过类特征对齐来减少标记数据和未标记数据之间的特征差异。为了验证我们模型的有效性，我们在 RS 数据集上进行了广泛的实验。实验结果表明我们的方法相对于 SOTA $\text{S}^4$ 方法的优越性。此外，结果证明了我们的贡献在弥合标记和未标记数据之间的优化和特征表示差距方面的有效性。我们的代码发布于\href{https://github.com/wangshanwen001/RS-UFFM}{https://github.com/wangshanwen001/RS-UFFM}。