探索 Segment Anything 基础模型用于无训练标签的映射小holder 农田边界
计算机视觉与模式识别
2026-04-30 v1
摘要
准确映射农业田地边界对于提高如精密农业、作物监控和产量估计等方面的效果至关重要。然而，从卫星图像中提取这些边界在小holder 农场和数据稀缺环境下具有挑战性。本研究探索使用 Segment Anything Model (SAM) 在印度比哈尔州对 2 米分辨率 SkySat 影像进行农业田地边界描绘，而无需额外训练。我们评估了 SAM 在三个模型检查点、各种输入尺寸、多日期卫星图像和边缘增强影像上的性能。我们的结果表明，SAM 正确识别约 58% 的田地边界，这与其他需要大量训练数据的其他方法相当。使用不同的输入图像尺寸可提高准确率，最显著的改进出现在使用多日期卫星图像时。这一工作为使用 SAM 和最大化其在农业田地边界映射中的潜力提供了概念验证。我们的工作凸显了 SAM 在训练数据稀缺环境中描绘农业田地边界的潜力，以实现广泛的农业相关分析。
引用
@article{arxiv.2407.01846,
title = {Investigating the Segment Anything Foundation Model for Mapping Smallholder Agriculture Field Boundaries Without Training Labels},
author = {Pratyush Tripathy and Kathy Baylis and Kyle Wu and Jyles Watson and Ruizhe Jiang},
journal= {arXiv preprint arXiv:2407.01846},
year = {2026}
}
备注
11 pages, 6 main figures, 7 supplementary figures