摘要：遥感图像语义分割作为遥感技术领域的重要研究方向，旨在对遥感图像进行像素级的分割并精确分类至预定义的地物类别中。传统方法依赖于大量的像素级标注数据，但人工标注耗时且费力。为解决这一问题，半监督学习方法被引入，通过结合少量标注样本和大量无标注数据进行模型训练，显著降低了标注需求。通过分析和总结近年来关于遥感图像半监督语义分割的相关研究，系统梳理现有方法的分类体系，并深入剖析其优势与不足：从核心思想和技术策略出发，对现有的遥感图像半监督语义分割方法进行了体系归纳和类别划分，并分别讨论了其创新与局限性；介绍了遥感图像半监督语义分割研究广泛使用的数据集；基于常用实验设置和评价指标，在不同数据集上开展了多方法对比分析；最后，探讨了遥感图像半监督语义分割的未来研究趋势。
文章目录
1.遥感图像半监督语义分割方法
1.1 基于一致性正则化的方法
1.1.1输入一致性正则化
1.1.2特征一致性正则化
1.1.3输出一致性正则化
1.1.4混合一致性正则化
1.2 基于伪标签的方法
1.3 基于模型结构优化的方法
1.4 基于对比学习的方法
1.5基于生成对抗网络的方法
1.6 基于自监督学习的方法
1.7 基于数据增强的方法
2.遥感图像半监督语义分割常用数据集
2.1 ISPRS Vaihingen 数据集
2.2 ISPRS Potsdam数据集
2.3 iSAID数据集
2.4 GID-15数据集
2.5 DG＿Roads数据集
3性能分析
3.1一般设定与评价指标
3.2 ISPRS Vaihingen数据集分割结果对比
3.3 ISPRS P
