SAModified：一种基于基础模型的零样本方法用于精炼含噪土地利用土地覆盖图
计算机视觉与模式识别
2024-12-18 v1 人工智能
摘要
土地利用与土地覆盖（LULC）分析在遥感中至关重要，在农业、公用事业和城市规划等不同领域有着广泛的应用。然而，由于含噪标签，使用机器学习自动生成 LULC 地图面临挑战。通常，真值（例如 ESRI LULC、MapBioMass）带有噪声标签，这妨碍了模型学习准确分类像素的能力。此外，这些错误标签会显著扭曲模型的性能指标，导致误导性的评估。传统上，使用无监督算法来纠正模糊标签。这些算法不仅在可扩展性上存在困难，而且在跨不同地理区域的泛化能力上也表现不佳。为了克服这些挑战，我们提出了一种使用基础模型 Segment Anything Model（SAM）的零样本方法，以自动勾勒不同土地地块/区域的轮廓，并利用每个检测区域内的局部标签统计信息来重新标记不确定像素。在使用去噪标签进行训练时，我们实现了标签噪声的显著降低，并使下游分割模型的性能提升了约 5%。
引用
@article{arxiv.2412.12552,
title = {SAModified: A Foundation Model-Based Zero-Shot Approach for Refining Noisy Land-Use Land-Cover Maps},
author = {Sparsh Pekhale and Rakshith Sathish and Sathisha Basavaraju and Divya Sharma},
journal= {arXiv preprint arXiv:2412.12552},
year = {2024}
}