Dec, 2023

基于SAM辅助的遥感影像语义分割及对象和边界约束

HTML
PDF
TL;DR本文提出了一个针对SAM原始输出的简化框架，通过利用SGO和SGB这两个新概念，引入了新的目标损失和边界损失作为增强组件，用于提高语义分割性能。在ISPRS Vaihingen和LoveDA Urban两个知名数据集上的实验结果证明了我们方法的有效性。
发现论文，激发创造
  • 遥感图像语义分割的边界损失

    通过使用一种新的可微分度量替代传统分割损失函数，我们提出了一种新的分割边界检测方法，该方法在监督二进制分割任务中准确地提取出现具有精确定义的多个类的边界，并在ISPRS波茨坦、INRIA AIL等数据集上使用验证，最终的结果表明，该方法提高了IoU分数，优于基线方法。

    May, 2019

  • 基于文本引导的视觉基础模型的遥感图像语义分割

    本研究集中于遥感领域，通过利用多个基础模型来促进远程 sensing 图像语义分割任务。我们的实验结果表明，该方法在几个广泛使用的远程 sensing 数据集上具有很高的准确性。

    Apr, 2023

  • 使用Segment Anything模型扩大遥感分割数据集的规模

    本研究提出SAMRS，通过整合SAM和现有的遥感物体检测数据集以生成大规模遥感分割数据集，该数据集在大小上超过了现有的高分辨率遥感分割数据集。SAMRS可用于语义分割、实例分割和目标检测等研究领域。同时，我们对SAMRS进行了全面的分析并希望它能促进遥感分割、特别是大规模模型预训练等方面的研究。

    May, 2023

  • 基于视觉基础模型的遥感实例分割提示学习

    本文提出了一种基于 SAM 模型和 Prompt 学习的自动遥感图像实例分割方法（RSPrompter），并将其与其他常用的方法进行比较，结果证明该方法有效。

    Jun, 2023

  • 遥感应用中的分段任意物模型(SAM)：从零到一次拍摄

    本研究旨在将Meta AI的创新图像分割模型Segment Anything Model（SAM）应用于遥感图像分析领域，特别是处理来自不同地理背景的航空和轨道影像，实现SAM在遥感影像处理中的潜力。

    Jun, 2023

  • 基于大视觉模型的自引导远感图像少样本语义分割

    本研究介绍了一种用于自动化少样本语义分割的结构化框架，利用Segment Anything Model（SAM）模型，并借助先前引导的掩模生成粗略像素级提示，以获得更高效的语义可辨别分割结果，实验证明该方法在DLRSD数据集上优于其他可用的少样本方法。

    Nov, 2023

  • RSAM-Seg：一种基于SAM和先验知识集成的遥感图像语义分割方法

    由于高分辨率遥感卫星的发展，遥感相关研究工作获得了极大的便利。SAM引入了一种普适的预训练模型用于图像分割任务，但是直接应用于遥感图像分割任务效果欠佳。为此，我们提出了RSAM-Seg，即在SAM的基础上进行了适应性修改，消除了对手动干预提供提示的需求。在SAM的编码器部分的多头注意力块中，我们提出了Adapter-Scale和Adapter-Feature模块，它们旨在将高频图像信息和图像嵌入特征融入生成的图像引导提示中。在包括云检测、场地监测、建筑物检测和道路制图任务的四个不同遥感场景上进行了实验证明，RSAM-Seg不仅改善了原始SAM和U-Net在云、建筑物、场地和道路场景中的效果，还突出了其作为辅助注释方法的潜力，可以识别某些数据集的真实值中的缺失区域。此外，在少样本情况下的表现也值得称赞，凸显了其在处理有限数据集时的潜力。

    Feb, 2024

  • 基于SAM先验的多视角遥感图像分割

    通过将可视化基础模型Segment Anything（SAM）注入到隐式神经场模型-INF中，我们提出了一种新的多视图遥感图像分割方法，通过对测试视图和训练视图之间的SAM特征进行对比，得出每个测试视图的伪标签，从而增强整个场景的标注信息，实验证明我们的方法在有限的训练数据情况下优于主流方法，从而证实了SAM作为INF的一种补充在这一任务中的有效性。

    May, 2024

  • 开放词汇遥感图像语义分割

    本研究针对开放词汇图像语义分割（OVS）在遥感图像中的应用，解决了现有方法在处理遥感图像特有特征时的不足。我们提出了首个专为遥感图像设计的OVS框架，引入了旋转聚合相似度计算模块和多尺度图像特征整合，显著提升了语义分割的准确性，并建立了首个开放的遥感图像OVS基准，为研究提供了重要工具和数据支持。

    Sep, 2024

  • SegEarth-OV：无训练开放词汇语义分割在遥感图像中的应用

    本研究解决了遥感图像在像素级解释中对大量人工标注的需求这一问题。通过提出一种简单通用的上采样方法SimFeatUp，来恢复深特征中的空间信息，并通过减法操作减小局部补丁标记的全球偏差，从而在四个遥感任务上超过了现有的最新方法，平均提高了5.8%到15.3%。

    Oct, 2024