LEMMA：用于高效海洋语义分割的拉普拉斯金字塔
计算机视觉与模式识别
2026-03-27 v1
摘要
海洋环境中的语义分割对于无人人工智能表面舰船 (USVs) 的自主导航以及 Coastal Earth Observation 事件（如油污溢出）至关重要。然是的，现有方法常依赖深度 CNN 和基于 Transformer 的架构，在部署时面临高计算成本和资源密集型等挑战。这些限制阻碍了在实际海洋环境中实现实时、低成本应用的实用性。为此，我们提出 LEMMA，一个专为资源受限条件下准确遥感语义分割而设计的轻量级模型。该模型利用拉普拉斯金字塔增强边缘识别，这是复杂海洋环境中有效特征提取的关键组件，用于灾害响应、环境监视和沿海监测。通过在特征提取过程中早期集成边缘信息，LEMMA 消除了在更深层网络中进行计算密集型特征图计算的需求，大幅降低模型规模、复杂度和推理时间。实验结果表明，LEMMA 在来自多种平台的数据集上均实现了最先进的性能，相较于现有模型，参数数量降低最高可达 71 倍，GFLOPs 降低最高可达 88.5%，推理时间降低最高可达 84.65%。实验结果突显了其有效性和实际适用性，包括在 Oil Spill 数据集上达到 93.42% 的 IoU，在 Mastr1325 上达到 98.97% 的 mIoU。
引用
@article{arxiv.2603.25689,
title = {LEMMA: Laplacian pyramids for Efficient Marine SeMAntic Segmentation},
author = {Ishaan Gakhar and Laven Srivastava and Sankarshanaa Sagaram and Aditya Kasliwal and Ujjwal Verma},
journal= {arXiv preprint arXiv:2603.25689},
year = {2026}
}
备注
Accepted at the MaCVi Workshop, CVPR 2026