S5：遥感语义分割的可扩展半监督方法
计算机视觉与模式识别
2025-12-04 v3
摘要
半监督语义分割（S4）通过利用非标注数据中的伪标签和一致性学习，推动了遥感（RS）分析的进展。然而，现有 S4 研究往往依赖小规模数据集和模型，限制了其实际应用。为此，我们提出了 S5，首个面向遥感语义分割的可扩展框架，释放了通常因像素级标注成本昂贵而被低利用的广量遥感地球观测数据的潜力。基于既有大规模 RS 数据集，S5 引入一种数据选择策略，整合熵基过滤和多样性扩张，生成 RS4P-1M 数据集。使用该数据集，我们系统性地将 S4 扩展为一种新的预训练范式，即 S4 预训练（S4P），用于对不同规模的遥感基础模型（RSFMs）进行预训练，显著提升其在土地覆盖分割和目标检测任务上的性能。此外，在微调期间，我们采用基于混合专家（MoE）的多数据集微调方法，使能够高效地适应多个 RS 基准，同时使用更少的参数。该方法提高了 RSFMs 在多样化 RS 基准上的泛化性和通用性。所得 RSFMs 在所有基准上实现最先进的性能，凸显了规模化半监督学习在 RS 应用中可行性。所有数据集、代码和模型将在 https://github.com/MiliLab/S5 上发布。
引用
@article{arxiv.2508.12409,
title = {S5: Scalable Semi-Supervised Semantic Segmentation in Remote Sensing},
author = {Liang Lv and Di Wang and Jing Zhang and Lefei Zhang},
journal= {arXiv preprint arXiv:2508.12409},
year = {2025}
}
备注
AAAI 2026 Oral