TransLandSeg：一种基于视觉基础模型的滑坡语义分割迁移学习方法
计算机视觉与模式识别
2024-03-18 v1
摘要
滑坡是世界上最具破坏性的自然灾害之一，对人类生命和安全构成严重威胁。基础模型的发展为大规模滑坡检测提供了新的研究范式。Segment Anything Model（SAM）在图像分割领域引起了广泛关注。然而，我们的实验发现SAM在滑坡分割任务中表现不佳。我们提出了TransLandSeg，这是一种基于视觉基础模型（VFM）的滑坡语义分割迁移学习方法。TransLandSeg在Landslide4Sense数据集和毕节数据集上均优于传统语义分割模型。我们提出的自适应迁移学习（ATL）架构仅需训练SAM参数量的1.3%，即可将SAM强大的分割能力迁移到滑坡检测中，极大提高了模型的训练效率。最后，我们还对不同ATL结构的模型进行了消融实验，得出结论：ATL的部署位置和残差连接在TransLandSeg的精度提升中发挥了重要作用。
引用
@article{arxiv.2403.10127,
title = {TransLandSeg: A Transfer Learning Approach for Landslide Semantic Segmentation Based on Vision Foundation Model},
author = {Changhong Hou and Junchuan Yu and Daqing Ge and Liu Yang and Laidian Xi and Yunxuan Pang and Yi Wen},
journal= {arXiv preprint arXiv:2403.10127},
year = {2024}
}