寻求共识：开放词汇遥感语义分割的几何-语义即时重校准
计算机视觉与模式识别
2026-04-30 v1 人工智能
摘要
遥感图像上的开放词汇语义分割 (OVSS) 是一种利用文本描述来识别未定义地覆盖类别的任务。尽管取得了显著进展，现有方法通常采用静态推断范式，忽视了每个场景的不同分布，导致多样地覆盖语义模糊和前景激活不完整。为此，我们提出了寻求共识，称为 SeeCo，一个即插即用的框架，用于提升遥感图像上训练无监督 OVSS 模型的性能，该框架通过寻求双重共识来进行即时重校准：通过多视角一致观察实现几何共识学习 (GCL)，通过文本描述自适应校准实现语义共识学习 (SCL)，这有助于视觉语义的协同重校准。这两种共识通过在线共识注入器 (OCI) 注入，有效缓解了低激活和语义偏差。SeeCo 无需特定训练过程，却能在推理阶段为每个独特场景进行语义-几何对齐。广泛的在八个遥感 OVSS 基准数据集上的实验表明，其有效性和通用性得到了一致的提升。
引用
@article{arxiv.2604.26221,
title = {Seeking Consensus: Geometric-Semantic On-the-Fly Recalibration for Open-Vocabulary Remote Sensing Semantic Segmentation},
author = {Guanchun Wang and Chenxiao Wu and Xiangrong Zhang and Zelin Peng and Jianxun Lai and Tianyang Zhang and Xu Tang},
journal= {arXiv preprint arXiv:2604.26221},
year = {2026}
}
备注
11 pages, 9 figures