基于视觉语言模型的零样态遥感季节性沟壑检测方法
计算机视觉与模式识别
2025-03-04 v1
摘要
季节性沟壑是土壤侵蚀的主要原因，其可靠、准确且及时检测将显著促进全球农业系统的可持续性。我们认为现有研究尚未成功解决从遥感图像中自动检测季节性沟壑的问题，因此首次提出并评估了三种成功的检测管线。这些管线利用来自特定农业区域随时间获取的遥感图像。管线使用各种视觉语言模型 (VLM)，并能以准确率超过 70% 、正面沟壑检测的 F1 分数接近 80% 的水平对图像进行分类。此外，我们开发了首个针对季节性沟壑检测的公开数据集，该数据集由一支由土壤与植物科学专家标注的团队完成。为评估所提出的管线，我们采用了基于最先进 (SOTA) 开源视觉语言模型 (VLM) 的各种零样态分类方法。除了此之外，我们还将相同的管线与迁移学习方法进行了比较。进行了大量实验以验证检测管线的有效性，并分析了超参数变化对性能的影响。实验结果表明，所提出的零样态分类管线在数据稀缺的场景下，能够有效检测季节性沟壑。
引用
@article{arxiv.2503.01169,
title = {A Zero-Shot Learning Approach for Ephemeral Gully Detection from Remote Sensing using Vision Language Models},
author = {Seyed Mohamad Ali Tousi and Ramy Farag and Jacket Demby's and Gbenga Omotara and John A. Lory and G. N. DeSouza},
journal= {arXiv preprint arXiv:2503.01169},
year = {2025}
}