面向红外小目标检测的 SAM 半监督范式——Scalpel-SAM
计算机视觉与模式识别
2025-12-30 v1
摘要
红外小目标检测迫切需要半监督范式以降低标注成本。然而，现有方法如 SAM 面临领域差距、无法编码物理先验以及固有的架构复杂性等显著挑战。为此，我们设计了由四个白箱神经算子构成的分层 Mixture-of-Experts(MoE) 适配器。基于此核心组件，我们提出了两阶段的知识蒸馏与迁移范式: (1) 先验导向的知识蒸馏，利用我们的 MoE 适配器和 10% 可用完全监督数据，将 SAM 蒸馏为专家教师(Scalpel-SAM); (2) 面向部署的知识迁移，利用 Scalpel-SAM 为训练轻量且高效的下游模型生成伪标签。实验表明，在最小化标注的情况下，我们的范式使下游模型能够达到或超过其完全监督对应方法的性能。迄今为止，这是第一个系统性地解决在使用 SAM 作为教师模型时红外小目标检测(IR-SOT)数据稀缺问题的半监督范式。
引用
@article{arxiv.2512.22483,
title = {Scalpel-SAM: A Semi-Supervised Paradigm for Adapting SAM to Infrared Small Object Detection},
author = {Zihan Liu and Xiangning Ren and Dezhang Kong and Yipeng Zhang and Meng Han},
journal= {arXiv preprint arXiv:2512.22483},
year = {2025}
}
备注
9 pages, 3 figures