跨域迁移高光谱基础模型

高光谱成像（HSI）语义分割通常依赖于领域内训练，但数据可用性受限往往限制实际应用中的模型性能。当前在近端感知领域利用基础模型的方法采用跨模态技术，桥接 RGB 与 HSI 以利用视觉基础模型。然而，这些方法要么丢弃光谱信息，要么引入架构复杂性。我们提出了跨域迁移作为一种替代方案，复用原本在遥感领域训练的 HSI 基础模型用于近端感知应用。通过消除模态差距的需求，本方法在保持光谱信息的同时维持简单的架构。使用 HS3-Bench 基准，我们系统评估并比较了传统领域内训练、领域内模态训练、跨模态迁移和跨域迁移策略。我们的结果表明，跨域迁移在领域内训练、领域内模态训练方面实现了显著的性能提升，缩小了与跨模态方法之间的性能差距，并在数据有限的情形下保持强大的性能。因此，本工作推动了更有效的高光谱语义分割在多样化应用中的实现。