SAM2-ARAFNet: SAM2を,高解像度リモートセンシングセマンティックセグメンテーションのための注意力強化の残留ASPP融合ネットワークで適応する
Wenbin Shi1, Jiayin Ding2, Jingsheng Lei2
1School of Computer, Hangzhou Dianzi University, Hangzhou, 310018, China.
Scientific reports
|February 23, 2026
まとめ
この研究では,高解像度遠隔感知画像の効率的なセグメンテーションのためのSAM2-ARAFNetを導入します. このフレームワークは,高い精度を達成しながら,コンピューティングの負荷を大幅に軽減し,リソースが限られたプラットフォームに最適です.
科学分野:
- コンピュータビジョン コンピュータビジョン
- リモートセンシング (リモートセンサー)
- ジオスペース解析 (Geospatial Analysis) について
背景:
- 高解像度リモートセンシング画像セグメンテーションは,環境モニタリングと資源管理に不可欠です.
- 課題には,クラス内の変動性,複雑なシーン,ディープラーニングモデルの高い計算コストが含まれます.
- 既存の方法は,リソースが限られたシステムでの実用的な展開に苦労することが多い.
研究 の 目的:
- 高解像度リモートセンシング画像の効率的かつ正確なセグメンテーションフレームワークを開発する.
- 現在のディープラーニングモデルの計算負荷とパラメータの非効率性を解決する.
- エッジフォーカス遠隔検知シナリオにおける高度なセグメンテーションモデルの実用的な展開を可能にする.
主な方法:
- SAM2-ARAFNetを導入し,セグメント・アニワット・モデル2 (SAM2) を軽量なアダプターモジュールと統合した.
- 強化されたマルチスケール機能表現のために,注意力強化された残留アトロス空間ピラミッドプーリング (ResASPP) を組み込みました.
- SAM2モデルをコンパクトなEfficientNet_b0ベースの学生ネットワークに圧縮するために蒸留戦略を採用しました.
主要な成果:
- SAM2-ARAFNetは85.43% (Vaihingen) と87.44% (Potsdam) のmIoUスコアを達成し,PSPNet.netを上回った.
- 蒸留された学生モデルはパラメータを97% (222.98Mから6.68M) 減少させた.
- 学生モデルは,教師ネットワークの精度の99%以上を保持し,高い効率性を示しました.
結論:
- SAM2-ARAFNetは,リモートセンシング画像セグメンテーションにおいて,大幅なパフォーマンスの向上を提供します.
- 蒸留されたモデルは,エッジデバイスに適した非常に効率的なソリューションを提供します.
- このフレームワークは,実用的なアプリケーションの精度と計算効率を効果的にバランスをとります.
