面向 SAR 遥感的可提示基石模型：将 Segment Anything Model 适用于雪崩分割
计算机视觉与模式识别
2026-01-06 v1 机器学习
摘要
雪崩分割与制图的遥感解决方案是支持山区风险预测与防治的关键。合成孔径雷达 (SAR) 图像来自 Sentinel-1 可有效用于此任务，但训练有效的检测模型需要收集大量由领域专家标注的高质量数据，这在时间成本上不可行。本文旨在促进和加速 SAR 图像的标注。我们基于在自然图像上训练的分割基石模型 Segment Anything Model (SAM)，并将其针对 Sentinel-1 SAR 数据进行定制。将 SAM 适用于本用例需要解决几个领域特定挑战：(i) 领域不匹配，因为 SAM 未在卫星/SAR 图像上训练；(ii) 输入适配，因为 SAR 产品通常提供超过三个通道，而 SAM 仅限于 RGB 图像；(iii) 对不精确提示的鲁棒性，这会影响目标识别并降低分割质量，在小面积低对比度雪崩问题尤为突出；以及 (iv) 训练效率，因为标准微调对 SAM 计算资源要求较大。我们通过采用适配器缓解领域差距、多个编码器处理多通道 SAR 输入、提示工程策略提高雪崩局部化精度，以及限制编码器训练时间的训练算法（编码器被认定为主要瓶颈）来应对这些挑战。我们将得到的模型集成到标注工具中，并通过实验显示其加速 SAR 图像标注的效果。
引用
@article{arxiv.2601.01213,
title = {Promptable Foundation Models for SAR Remote Sensing: Adapting the Segment Anything Model for Snow Avalanche Segmentation},
author = {Riccardo Gelato and Carlo Sgaravatti and Jakob Grahn and Giacomo Boracchi and Filippo Maria Bianchi},
journal= {arXiv preprint arXiv:2601.01213},
year = {2026}
}