面向无人机影像森林地面分割的视觉基础模型参数高效微调
机器人学
2025-05-15 v1 计算机视觉与模式识别
摘要
无人飞行器（UAV）越来越多地用于重新造林和森林监测，包括在地形难以到达的区域进行种子播撒。然而，由于自然变异性高、环境参数快速变化以及因定义不明确导致的标注模糊，对森林地面的详细了解仍是一个挑战。为解决这一问题，我们调整了Segment Anything Model（SAM）——一个具有强大泛化能力的视觉基础模型，以分割森林地面目标，如树桩、植被和木质残体。为此，我们采用参数高效微调（PEFT），在保持原始权重固定的同时微调少量附加模型参数。我们调整了SAM的掩码解码器，使其生成与数据集类别对应的掩码，从而实现无需人工提示的自动分割。我们的结果表明，基于适配器的PEFT方法获得了最高的平均交并比（mIoU），而低秩适配（LoRA）以更少的参数为资源受限的无人机平台提供了一种轻量级替代方案。
引用
@article{arxiv.2505.08932,
title = {Parameter-Efficient Fine-Tuning of Vision Foundation Model for Forest Floor Segmentation from UAV Imagery},
author = {Mohammad Wasil and Ahmad Drak and Brennan Penfold and Ludovico Scarton and Maximilian Johenneken and Alexander Asteroth and Sebastian Houben},
journal= {arXiv preprint arXiv:2505.08932},
year = {2025}
}
备注
Accepted to the Novel Approaches for Precision Agriculture and Forestry with Autonomous Robots IEEE ICRA Workshop - 2025