SMOL-MapSeg：展示一个标签作为提示
计算机视觉与模式识别
2025-11-19 v2
摘要
历史地图提供了关于地表变化的宝贵信息，但由于视觉风格和符号不一致，现代分割模型面临挑战。虽然 UNet 和预训练基础模型在自动驾驶和医学影像等领域表现良好，但在历史地图的变异性问题上仍感困难，其中相似概念以多种形式出现。为此，我们提出了“按需声明（OND）”知识驱动式提示方法，通过显式图像-标签对提示引导模型将视觉模式与语义概念关联。用户可以按需定义并分割目标概念，支持灵活且具有概念感知的分割。我们的做法取代了基于 Segment Anything Model（SAM）的提示编码器，集成 OND 提示机制，并在历史地图上进行微调，形成 SMOL-MapSeg（Show Me One Label）。不同于现有基于 SAM 的微调方法仅支持无类名或固定类目标，SMOL-MapSeg 支持跨任意数据集的类感知分割。实验表明，SMOL-MapSeg 能准确分割用户定义的类别，并显著优于基线模型。此外，它即使在最小训练数据下也表现出强大的泛化能力，凸显其在可扩展且适应性强的历史地图分析中的潜力。
引用
@article{arxiv.2508.05501,
title = {SMOL-MapSeg: Show Me One Label as prompt},
author = {Yunshuang Yuan and Frank Thiemann and Thorsten Dahms and Monika Sester},
journal= {arXiv preprint arXiv:2508.05501},
year = {2025}
}