SAM2-ELNet：遥感分割的数据标注增强与自动标注

遥感图像分割是环境监测、灾后评估和资源管理中至关重要的任务，但其性能很大程度上取决于数据集的质量。虽然许多高质量的数据集已广泛可用，但针对特定任务（如海洋油污分割）的数据稀缺仍然是一个挑战。此类任务仍依赖人工标注，既耗时又受主观因素影响。分割模型2（SAM2）作为自动标注框架具有巨大的潜力，但在处理异构、低对比度的遥感图像时表现不佳。为此，我们提出一种新型的数据标注增强与自动标注框架，称为SAM2-ELNet（Enhancement and Labeling Network）。具体而言，我们采用预训练SAM2的冻结Hiera骨干网络作为编码器，同时对适配器和解码器进行微调，以适应不同的遥感任务。此外，本文提出的框架包括用于过滤的标签质量评估器，以确保生成标签的可靠性。我们设计了一系列针对资源受限遥感任务的实验，并在两个数据集上进行评估：一个是采用合成孔径雷达（SAR）图像的Deep-SAR油污（SOS）数据集，另一个是采用极高分辨率（VHR）光学图像的CHN6-CUG道路数据集。该框架能够在资源受限条件下增强粗糙标注并生成可靠的训练数据。仅使用30%的训练数据进行微调，即可生成自动标注的数据。仅基于这些数据训练的模型，其性能略低于使用完整原始标注，但大大降低了标注成本，为大规模遥感解释提供了实用解决方案。