SinkSAM-Net：基于地形先验和Segment Anything Model 的知识驱动自监督沟坑分割
计算机视觉与模式识别
2026-04-16 v3
摘要
土壤沟坑显著影响土壤退化、基础设施脆弱性及景观演化。然而，其不规则形状以及阴影和植被的干扰，使得使用遥感数据准确量化其属性具有挑战性。此外，手动标注工作量大且成本高。本研究引入一种新型自监督框架用于沟坑分割，称为 SinkSAM-Net，该框架将传统闭合凹陷的地形计算与基于 Segment Anything Model(SAM) 的迭代、几何感知、提示驱动方法相结合。我们通过将单目深度信息与称为坐标级边界框抖动(CWBJ)的随机提示增强技术集成，对沟坑边界进行像素级细化，生成高质量伪标签。这些伪标签迭代地增强面向轻量级 EfficientNetV2-UNet 的目标模型，最终将知识传递给无提示、低参数且快速推理的模型。我们的方法在 EchoSet 和真实世界数据上实现了显著的性能提升。SinkSAM-Net 在参数降低 94.3%、MACs 降低 95.3% 的同时，实现了超越当前最先进(SOTA)模型 TF-GridNet 的性能。该框架在大型沟坑数据库上进行评估，覆盖多种沟坑数据集，使用空中摄影和高分辨率无人机影像。本文提出了首个针对沟坑分割的自监督框架，展示了当将基础模型（如 SAM 和 Depth Anything V2）与先验地形和几何知识相结合，并采用迭代自学习管道时，其鲁棒性。SinkSAM-Net 有望在大规模无标签 RGB 沟坑数据集上有效训练，实现接近有监督模型的性能。SinkSAM-Net 的代码和交互式演示均可在 https://osherr1996.github.io/SinkSAMNet 获取。
引用
@article{arxiv.2410.01473,
title = {SinkSAM-Net: Knowledge-Driven Self-Supervised Sinkhole Segmentation Using Topographic Priors and Segment Anything Model},
author = {Osher Rafaeli and Tal Svoray and Ariel Nahlieli},
journal= {arXiv preprint arXiv:2410.01473},
year = {2026}
}
备注
17 pages, 8 figures