SAM-Aug：利用 SAM 先验进行卫星时间序列少样本分割
计算机视觉与模式识别
2026-01-29 v2
摘要
时间序列遥感图像的少样本语义分割仍然是一个关键挑战，特别是在标注数据稀缺或获取成本高昂的地区。尽管最先进的模型在全监督下表现良好，但在标注有限的情况下其性能显著下降，限制了它们的现实适用性。在本工作中，我们提出了 SAM-Aug，这是一个新的标注高效框架，利用 Segment Anything Model (SAM) 的几何感知分割能力来改进少样本土地覆盖制图。我们的方法从时间序列中构建无云合成图像，并以完全无监督的方式应用 SAM 来生成几何感知的掩码先验。然后，这些先验通过一个名为 RegionSmoothLoss 的损失函数被整合到训练中，该损失函数在时间帧上每个 SAM 衍生区域内强制执行预测一致性，有效地正则化模型以尊重语义连贯的结构。在 PASTIS-R 基准上的 5% 标注设置下的广泛实验证明了 SAM-Aug 的有效性和鲁棒性。在三个随机种子（42、2025、4090）上取平均，我们的方法实现了 36.21% 的平均测试 mIoU，比最先进的基线高出了 2.33 个百分点，相对提升 6.89%。值得注意的是，在最有利的划分（seed=42）上，SAM-Aug 达到了 40.28% 的测试 mIoU，相对增益为 11.2%，且无需额外的标注数据。所有种子上的一致提升证实了在标注稀缺下利用基础模型先验的泛化能力。我们的结果强调，像 SAM 这样的视觉模型可以作为少样本遥感学习中的有效正则化器，为土地覆盖监测提供了一种可扩展且即插即用的解决方案，无需人工标注或模型微调。
引用
@article{arxiv.2601.09110,
title = {SAM-Aug: Leveraging SAM Priors for Few-Shot Parcel Segmentation in Satellite Time Series},
author = {Kai Hu and Yaozu Feng and Vladimir Lysenko and Ya Guo and Huayi Wu},
journal= {arXiv preprint arXiv:2601.09110},
year = {2026}
}
备注
13 pages, 6 figures