阿尔卑斯山:一个自动标记和预训练方案,用于远程传感细分与细分任何模型

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 远程传感 (RS) 图像的分析面临着挑战,因为大量的未标记的数据集和使用它们进行高级分析的困难.
• 目前用于RS图像注释的方法是劳动密集型和资源密集型,阻碍了大数据集的全部潜力.

研究的目的:

• 引入一个创新的自动标签框架,ALPS (分段化预培训自动标签),以解决利用未标签的RS数据的差距.
• 开发一种方法来生成精确的伪标签RS图像使用分段任何模型 (SAM),而无需先前注释或额外提示.
• 通过对自动生成数据集的有效预培训,提高RS和医学成像下游细分任务的性能.

主要方法:

• 利用分段任何模型 (SAM) 来预测远程传感图像的伪标签.
• 整合集群算法与SAM,并采用新的伪标签对齐技术.
• 使用ALPS框架为预培训目的构建两个全面的伪标记RS数据集.
• 评估框架在下游任务上的表现,使用iSAID和ISPRS Potsdam等基准.

主要成果:

• ALPS框架成功地为RS图像生成了精确的伪标签,大大减少了注释劳动和资源需求.
• 使用ALPS生成的数据集进行预培训,在多个基准上,在下游细分任务上表现更好.
• 该框架显示出强大的概括能力,即使有有限的注释数据,也证明了RS和医疗图像细分的有效性.
• 集群和伪标签对齐与SAM的整合显著改善了RS细分的准确性.

结论:

• ALPS为远程传感图像分析中的自动细分和注释挑战提供了可扩展和有效的解决方案.
• 该框架能够创建高质量的伪标签数据集,这使得强大的预培训成为可能,从而在数据稀缺的情况下提高性能.
• ALPS是一种适用于各种领域的灵活工具,包括医疗图像细分,展示其多功能性和影响.