SSeg：主动稀疏点标签增强用于语义分割
计算机视觉与模式识别
2026-03-30 v2
摘要
语义分割是实现遥感分析自动化（如生态学领域）的关键技术。然而，对于复杂的航空或水下图像进行精细分析仍是一个开放挑战，即便是最先进的模型也难以应对。进展常常受限于获取密集、专家标注标签的高成本。虽然稀疏点标签较易获取，但会引入若取哪些点进行标注以及如何传递稀疏信息的挑战。我们提出了 SSeg 框架以同时解决上述问题。SSeg 首先采用主动采样策略引导标注者，最大化其点标签的价值。随后，它采用融合 SAM2 与超像素方法的混合方法来传递稀疏标签。在两个多样化的监测数据集上的实验表明，SSeg 在 SOTA 方法之上具有显著优势。我们的主要贡献是集成我们算法的一种简单而有效的交互式标注工具。它使生态学研究人员能够利用基础模型和计算机视觉技术，高效生成高质量的分割掩码，以处理其数据。
引用
@article{arxiv.2510.10163,
title = {SSeg: Active Sparse Point-Label Augmentation for Semantic Segmentation},
author = {Cesar Borja and Carlos Plou and Ruben Martinez-Cantin and Ana C. Murillo},
journal= {arXiv preprint arXiv:2510.10163},
year = {2026}
}