基于ALOS-2 SAR数据的轻量级模型改进增强LULC分割
计算机视觉与模式识别
2026-01-23 v1
摘要
本工作聚焦于利用日本ALOS-2单极化（HH）合成孔径雷达（SAR）数据进行国家尺度的土地利用/土地覆盖（LULC）语义分割，并附带一个二值水体检测任务。在SAR-W-MixMAE自监督预训练[1]的基础上，我们解决了SAR密集预测中常见的失败模式，即边界过度平滑、遗漏细长结构以及在长尾标签下的稀有类别退化问题，且未增加流程复杂性。我们引入了三项轻量级改进：（i）将高分辨率特征注入多尺度解码器；（ii）一个交替进行卷积细化与逐步上采样的渐进式细化头；（iii）一个在Focal+Dice损失目标中调节类别权重的尺度因子。最终模型在日本全国ALOS-2 LULC基准测试上取得了持续改进，尤其对代表性不足的类别效果显著，并在标准评估指标上提升了水检测性能。
引用
@article{arxiv.2601.15705,
title = {Enhanced LULC Segmentation via Lightweight Model Refinements on ALOS-2 SAR Data},
author = {Ali Caglayan and Nevrez Imamoglu and Toru Kouyama},
journal= {arXiv preprint arXiv:2601.15705},
year = {2026}
}
备注
5 pages, 4 figures