English(EN) Training-Free Entity-Level Few-Shot Segmentation of Remote Sensing Images with Advection Refinement

SAM3 无需训练即可增强遥感图像分割

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-03 04:00

研究人员开发了一种新颖的无训练遥感图像少样本分割框架，利用了SAM3的能力。该方法利用SAM3的几何先验创建类别无关的实体基元，并将推理从像素级预测重新构建为实体级推理。采用基于平流方程的精炼机制来增强语义连续性并减少噪声，在无需额外训练的情况下显著改进了SAM3在遥感任务上的适应性。 AI

影响这项研究为SAM3等大型视觉模型适应遥感等专业领域提供了一种更有效的方法，有可能减少对广泛微调的需求。

排序理由详细介绍图像分割新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Xueting Bai, Huan Ni · 2026-08-03 04:00

面向遥感图像的无训练实体级少样本分割方法及平流精炼

arXiv:2607.29278v1 Announce Type: new Abstract: Existing cross-domain few-shot segmentation approaches suffer from high training costs due to source-domain episodic training and pixel-wise dense prediction, while often producing fragmented and noisy predictions. To overcome these…