SAM2-ARAFNet:将SAM2与注意力增强的残余ASPP融合网络进行调整,用于高分辨率遥感语义细分的远程传感
Wenbin Shi1, Jiayin Ding2, Jingsheng Lei2
1School of Computer, Hangzhou Dianzi University, Hangzhou, 310018, China.
Scientific reports
|February 23, 2026
概括
本研究介绍了SAM2-ARAFNet,用于高效的高分辨率遥感图像细分. 该框架实现了高精度,同时显著降低了计算负载,使其非常适合资源有限的平台.
科学领域:
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
- 地理空间分析的研究.
背景情况:
- 高分辨率的遥感图像细分对于环境监测和资源管理至关重要.
- 挑战包括类内部的变化,复杂的场景和深度学习模型的高计算成本.
- 现有的方法通常在资源有限的系统上难以实际部署.
研究的目的:
- 为高分辨率遥感图像开发一个高效准确的细分框架.
- 解决当前深度学习模型的计算负担和参数低效.
- 为了使先进的细分模型在以边缘为重点的遥感场景中能够在实践中部署.
主要方法:
- 引入了SAM2-ARAFNet,集成了细分任何模型2 (SAM2) 与轻量级适配器模块.
- 整合了注意力增强的剩余心房空间金字塔聚合 (ResASPP) 进行了增强的多尺度特征表示.
- 采用蒸策略,将SAM2模型压缩成一个紧的基于EfficientNet_b0的学生网络.
主要成果:
- SAM2-ARAFNet获得了85.43% (Vaihingen) 和87.44% (Potsdam) 的mIoU分数,表现优于PSPNet.
- 蒸的学生模型将参数减少了97% (222.98M到6.68M).
- 学生模型保留了超过99%的教师网络的准确性,显示出高效率.
结论:
- 在遥感图像细分方面,SAM2-ARAFNet提供了显著的性能提升.
- 蒸模型提供了一个高效的解决方案,适合边缘设备.
- 该框架有效地平衡了实际应用的准确性和计算效率.
