面向遥感图像的无训练开放词汇语义分割的空间正则化感知双分支协同推理
机器学习
2026-01-30 v1
摘要
高分辨率遥感图像中对象分布稠密、尺度变化显著且边界复杂，这对语义分割模型的几何定位和语义预测能力提出了更高要求。现有的训练-free 开放词汇语义分割(OVSS)方法通常采用单向注入和浅层后处理策略融合对比语言-图像预训练(CLIP)和视觉基础模型(VFMs)，难以满足这些要求。为此，我们提出一种空间正则化感知的双分支协同推理框架，用于训练-free OVSS，称为 SDCI。首先，在特征编码阶段，SDCI 引入跨模型注意力融合(CAF)模块，通过将自注意力图注入彼此来指导协同推理。其次，我们提出双向跨图 diffusion 精炼(BCDR)模块，通过迭代随机漫步扩散来增强双分支分割得分的可靠性。最后，我们融合低层超像素结构，开发凸优化-based 超像素协同预测(CSCP)机制进一步细化对象边界。在多个遥感语义分割基准测试上进行实验，表明该方法优于现有方法。我们的代码已公开于 https://github.com/yu-ni1989/SDCI。
引用
@article{arxiv.2601.21160,
title = {A Federated Generalized Expectation-Maximization Algorithm for Mixture Models with an Unknown Number of Components},
author = {Michael Ibrahim and Nagi Gebraeel and Weijun Xie},
journal= {arXiv preprint arXiv:2601.21160},
year = {2026}
}
备注
49 Pages, Accepted at ICLR 2026