ALPS：一种基于Segment Anything模型的遥感分割自动标注与预训练方案
计算机视觉与模式识别
2024-06-18 v1 人工智能
摘要
在快速发展的遥感图像分析领域，海量未标注数据集与充分利用这些数据集进行高级遥感分析的能力之间存在巨大差距。为填补这一空白，本文提出了一种创新的自动标注框架ALPS（面向分割预训练的自动标注），利用Segment Anything模型为遥感图像预测精确的伪标签，无需预先标注或额外提示。所提出的流程显著降低了传统遥感数据集标注所需的人力和资源需求。通过ALPS构建两个全面的伪标签遥感数据集用于预训练，我们的方法提升了包括iSAID和ISPRS Potsdam在内的多个基准上的下游任务性能。实验证明了我们框架的有效性，展示了即使在大量标注数据集稀缺的情况下，它也能在多个任务上良好泛化，为该领域的自动分割和标注挑战提供了一种可扩展的解决方案。此外，所提出的流程具有灵活性，可应用于医学图像分割，并显著提升性能。值得注意的是，ALPS利用预训练的SAM半自动地标注遥感图像，无需额外的人工标注。尽管流程中的每个组件都已得到充分探索，但将聚类算法与SAM及新颖的伪标签对齐相结合，显著增强了遥感分割，使其成为一个现成的预训练数据准备工具。我们的源代码可在以下网址获取：https://github.com/StriveZs/ALPS。
引用
@article{arxiv.2406.10855,
title = {ALPS: An Auto-Labeling and Pre-training Scheme for Remote Sensing Segmentation With Segment Anything Model},
author = {Song Zhang and Qingzhong Wang and Junyi Liu and Haoyi Xiong},
journal= {arXiv preprint arXiv:2406.10855},
year = {2024}
}