基于 SAM 伪标签过滤的遥感半监督语义分割 Transformer 框架——SAMST
计算机视觉与模式识别
2025-07-17 v1
摘要
公开的遥感数据集常因分辨率差异和不一致的土地覆盖类别定义而受到通用性限制。为充分利用大量未标注的遥感数据，我们提出了 SAMST—a 种半监督语义分割方法。SAMST 利用 Segment Anything Model (SAM) 在零射线 generalization 和边界检测方面的优势。SAMST 通过两个主要组件迭代细化伪标签：基于标记数据和伪标记数据的监督模型自训练，以及 SAM 基于伪标签的细化器。伪标签细化器包括：用于预处理的阈值过滤模块、用于提取连通区域并为 SAM 生成提示的提示生成模块，以及用于最终标签拼接的标签细化模块。通过将大模型的 generalization 能力与小模型的训练效率相结合，SAMST 提高了伪标签的准确性，从而提升了整体模型性能。Potsdam 数据集上的实验验证了 SAMST 的有效性和可行性，证明了其在遥感语义分割中解决有限标注数据挑战的潜力。
引用
@article{arxiv.2507.11994,
title = {SAMST: A Transformer framework based on SAM pseudo label filtering for remote sensing semi-supervised semantic segmentation},
author = {Jun Yin and Fei Wu and Yupeng Ren and Jisheng Huang and Qiankun Li and Heng jin and Jianhai Fu and Chanjie Cui},
journal= {arXiv preprint arXiv:2507.11994},
year = {2025}
}
备注
IGARSS2025 accepted, Correspondence: [email protected] (J.F.), [email protected] (C.C.)