研究人员推出了VPRef,这是一个用于指代遥感图像分割的新基准,旨在解决由视觉和文本域漂移引起的性能下降问题。该基准包含超过46,000个语言-图像-标注三元组,并配备了一个基于Segment Anything Model (SAM3) 和低秩适配 (LoRA) 的参数高效适配框架。该框架采用伪标签驱动的自训练和随机多粒度文本提示混合,在仅修改模型一小部分参数的情况下提高了分割精度。另一项调查回顾了遥感图像语义分割中的深度学习范式,按分割粒度对方法进行分类,并分析了从像素级到图像级的各种策略,强调了向基础模型和多模态集成的演变。 AI
影响 遥感图像分割的进步可以改善地球观测和分析,用于环境监测和城市规划。
排序理由 该集群包含两篇与计算机视觉和遥感相关的学术论文,一篇介绍了新的基准和方法,另一篇对现有技术进行了调查。
- arXiv
- deep learning
- Earth
- foundation model
- LoRA+
- Low Rank Adaptation
- remote sensing imagery
- SAM3
- Segment Anything Model
- semantic segmentation
- Vaihingen-Potsdam Referring
- VPRef
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →