崔红霞，陈丽君，赵昊罡

(渤海大学 信息科学与技术学院，辽宁 锦州 121010)

0 引言

随着人工智能技术的发展，深度学习在遥感影像自动解译领域的应用发展迅速。在深度学习算法中，大量的训练数据标注是其得到最优检测模型的保证。目前，遥感数据标注方法主要分为两类[1]：一类是基于人工交互的数据标注，主要利用离线和在线标注工具。另一类是自动数据标注方法，如张钢等人[2]提出一种基于多示例多标签学习的图像自动标注框架,在此基础上提出一种基于贝叶斯学习的多示例多标签稀疏集成算法.

显然，自动标注方法仍然依赖于一部分人工标注的数据集，人工标注在深度学习的领域仍然是必不可少的环节。目前，应用广泛的在线或者离线交互标注工具，labelme[3]以及labelimg[4]，以用户交互图像分割的方式，将一张图片中的目标物体分割出来，即用户通过点击设置一些前景和背景的标注点，生成包含目标区域的多边形顶点，适用于边界规则的目标轮廓提取和标注；但对于遥感影像非规则自然地物目标区域，人机交互图像分割存在工作量大，轮廓定位不准确的难题。

目前，人机交互的图像分割算法分为两大类，一类是主动轮廓模型方法[5-9]，使用户提供的初始轮廓沿能量降低的方向迭代演化到理想的目标轮廓上,完成图像分割,这类算法需要给出初始的轮廓，但对于特别复杂目标迭代的分割结果往往不能达到要求;另一类为基于动态规划图搜索算法[10-11]，图搜索算法不通过迭代初始轮廓降低能量的方式，而是通过分步优化能量函数获得边界，需要在全图范围内寻找优化的边界。……