SAMRS：利用 Segment Anything Model 扩展遥感分割数据集
计算机视觉与模式识别
2023-10-16 v4
摘要
Segment Anything Model（SAM）的成功证明了以数据为中心的机器学习的重要性。然而，由于遥感（RS）图像标注的困难和高成本，大量有价值的 RS 数据仍未标注，尤其在像素级。在本研究中，我们利用 SAM 和现有 RS 目标检测数据集开发了一种高效流程，用于生成大规模 RS 分割数据集，称为 SAMRS。SAMRS 共拥有 105,090 张图像和 1,668,241 个实例，在规模上超越现有高分辨率 RS 分割数据集数个数量级。它提供目标类别、位置和实例信息，可单独或组合用于语义分割、实例分割和目标检测。我们还从多个方面对 SAMRS 进行了全面分析。此外，初步实验凸显了利用 SAMRS 进行分割预训练以应对任务差异并缓解微调期间有限训练数据所带来的限制的重要性。代码和数据集将在 https://github.com/ViTAE-Transformer/SAMRS 提供。
引用
@article{arxiv.2305.02034,
title = {SAMRS: Scaling-up Remote Sensing Segmentation Dataset with Segment Anything Model},
author = {Di Wang and Jing Zhang and Bo Du and Minqiang Xu and Lin Liu and Dacheng Tao and Liangpei Zhang},
journal= {arXiv preprint arXiv:2305.02034},
year = {2023}
}
备注
Accepted by NeurIPS 2023 Datasets and Benchmarks Track