基于无人机的珊瑚栖息地制图弱监督分割框架
计算机视觉与模式识别
2026-05-25 v2 人工智能
摘要
在广阔的空间范围内获取像素级标注，仍然是在生态应用中部署机器学习的主要瓶颈。在此，我们提出了一个多尺度弱监督语义分割 (WSSS) 框架，该框架能够从密集的、基于分类的输出中训练高分辨率分割模型。我们的方法将来自水下图像的细粒度、多标签预测与大覆盖范围的航空数据相结合。我们将这些点级分类转换为粗监督掩码，用于在无人机 (UAV) 正射影像上训练语义分割模型。随后，使用模型自身细化预测的第二步训练，在无需额外标注的情况下进一步提高空间精度。我们在珊瑚礁图像上展示了该方法，实现了珊瑚形态类型的大面积分割，并说明了其在整合新类别上的灵活性。最终模型在手动标注的礁石区域达到了 86.07% 的像素精度和 52.23% 的平均交并比 (mIoU)，证明了无需像素级标注即可获得准确的大规模珊瑚分割。通过跨尺度和模态桥接图像分类与分割，该方法为在标注不可用的环境中部署分割模型提供了高效解决方案，并为生态学及其他领域的可扩展、高效监测开辟了机会。
引用
@article{arxiv.2508.18958,
title = {A drone-based framework for coral habitat mapping via weakly supervised segmentation},
author = {Matteo Contini and Victor Illien and Sylvain Poulain and Serge Bernard and Julien Barde and Sylvain Bonhommeau and Alexis Joly},
journal= {arXiv preprint arXiv:2508.18958},
year = {2026}
}
备注
Extended journal version of "The Point is the Mask: Scaling coral reef segmentation with weak supervision"