Jan, 2024

基于分段全景模型（SAM）的光学遥感图像与地图数据之间的变化检测

PDF
TL;DR本研究探讨了无监督多模态变化检测在时效性任务和综合多时序地球监测中的重要性，并介绍了利用光学高分辨率图像和 OpenStreetMap（OSM）数据进行无监督多模态变化检测的方法。我们通过使用视觉基础模型 Segmentation Anything Model（SAM）来解决这一任务，利用 SAM 的优秀的零样本迁移能力获得高质量的光学图像分割图，从而能够直接比较这两种异构数据形态。我们引入了两种策略来指导 SAM 的分割过程：'no-prompt' 方法和 'box/mask prompt' 方法。这两种策略分别用于检测一般情况下的土地覆盖变化和在已有背景下识别新的土地覆盖对象。在三个数据集上的实验结果表明，所提出的方法与代表性的无监督多模态变化检测方法相比能够取得更具竞争力的结果。
unsupervised multimodal change detectionremote sensing datasegmentation anything modelland-cover changescompetitive results
发现论文，激发创造
  • 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

  • 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

  • 适应高分辨率遥感影像变化检测的片段任意模型

    本研究旨在利用 Vision Foundation Models（VFMs）的强大视觉识别能力，提高高分辨率遥感图像（RSIs）的变化检测，并将 VFMs 应用于 HR RSIs 的 CD 是首次的。

    Sep, 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

  • 从空间中分割任何物体？

    研究了针对视觉任务开发的第一个基础模型，称为 Segment Anything Model（SAM）。SAM 可以基于便宜的输入提示，如一个或多个点、边界框或掩码，在输入的图像中分割对象。作者在大量的视觉基准任务中研究了 SAM 的零样本图像分割准确性，并发现 SAM 通常实现了与目标任务上进行了训练的视觉模型类似或有时超过其识别精度。他们检查了 SAM 在多样化、广泛研究的基准任务集上的表现。然而，作者还研究了 SAM 在航空图像问题中的表现，他们发现虽然 SAM 在航空图像上通常表现良好，但在某些情况下由于航空图像和目标对象的独特特征而失败。

    Apr, 2023

  • GeoSAM：稀疏与密集视觉提示的自动化移动基础设施分割中的 SAM 微调

    提出了一种基于 Segment Anything Model (SAM) 的新框架 Geographical SAM (GeoSAM)，通过使用来自零样本学习的稠密视觉提示和预训练的 CNN 分割模型的稀疏视觉提示，实现了对地理图像中的移动设施进行精细调优的策略。所提出的 GeoSAM 在地理图像分割中优于现有方法，特别是在道路基础设施、行人基础设施和平均方面分别提高了 20%、14.29% 和 17.65%，在实现对地理图像中包括道路和行人基础设施的移动设施的分割上取得了重大突破。

    Nov, 2023

  • 分割任何变化

    在这篇文章中，我们提出了一种新的变化检测模型，称为 Segment Any Change Models（AnyChange），它通过训练无关的自适应方法，在零样本预测和泛化的情况下支持不同类型和数据分布的变化检测。AnyChange 通过在 Segment Anything Model（SAM）的潜在空间中揭示和利用图像内部及图像间的语义相似性来实现零样本变化检测能力。我们还提出了一种点查询机制，使得 AnyChange 具备了零样本目标中心变化检测的能力。通过大量实验证明了 AnyChange 在零样本变化检测方面的有效性。AnyChange 在 SECOND 基准测试中取得了令人瞩目的成绩，F$_1$ 分数超过了之前的最佳结果 4.4％，并在有限的手动注释（每个图像 1 个像素）的监督变化检测上实现了可比较的准确性。

    Feb, 2024

  • 非可见光谱影像应用的片段任意模型性能评估与变分提示

    Segment Anything Model (SAM) 通过使用不同的输入提示（如文本、边界框、点或掩膜）生成掩膜，克服了特定数据集稀缺性的约束，评估了 SAM 在 X 射线 / 红外模态中分割感兴趣对象的能力，结果表明 SAM 在给定盒子提示时可以分割 X 射线模态中的对象，但对于点提示而言，表现不稳定，特别是在分割细长物体和有机材料方面，SAM 的性能较差，这表明在考虑在 X 射线 / 红外图像上使用 SAM 时需要特别考虑跨模态泛化的问题。

    Apr, 2024

  • 利用配对的 OpenStreetMap 数据和光学高分辨率影像通过对象引导的 Transformer 进行土地覆盖变化检测

    使用光学高分辨率图像和 OpenStreetMap（OSM）数据进行土地覆盖变化检测，引入目标引导的 Transformer（ObjFormer）架构，结合目标基于图像分析（OBIA）技术和先进的视觉 Transformer 架构，实现了直接检测土地覆盖变化，并提出了一种新的半监督语义变化检测任务，能高效地完成此任务。

    Oct, 2023

  • 高分辨率远程感知图像无监督变化检测中的分割变换模型：以建筑物为例的案例研究

    提出了一种无监督变化检测方法 Segment Change Model (SCM)，利用 Vision Foundation Model (VFM) 和 Contrastive Language-Image Pre-training (CLIP) 来改进特征提取和提高辨别性变化边缘，最终在 LEVIR-CD 和 WHU-CD 数据集上实验结果表明 mIoU 分别提高了 7.58% 和 4.58%。

    Dec, 2023