Baltimore Atlas: FreqWeaver Adapter for Semi-supervised Ultra-high Spatial Resolution Land Cover Classification

要約

超高空間解像度の土地被覆分類は、きめ細かい土地被覆分析には不可欠ですが、ピクセルレベルの注釈のコスト、大幅なスケールの変動、および大規模視覚モデルの限られた適応性のため、困難なままです。
既存の方法は通常、1メートルの空間解像度の画像に焦点を当て、注釈付きデータに大きく依存しますが、実際のアプリケーションでは、弱い監督下で高解像度の画像を処理する必要があることがよくあります。
これに対処するために、0.3 mの空間解像度画像のパラメーター効率の高いセミスパイブ化セグメンテーションフレームワークを提案します。これは、SAM2の知識を活用し、総モデルパラメーターのわずか5.96％で軽量設計を維持しながら、リモートセンシング固有のFreqWeaverアダプターを導入し、細粒の詳細モデリングを強化します。
非標識データを効果的に活用し、最小限のパラメーターオーバーヘッドを維持することにより、提案された方法は、優れた構造一貫性を備えた堅牢なセグメンテーション結果を提供し、既存のパラメーター効率の高いチューニング戦略に対して1.78％の改善と、最先端の高解像度のリモート感覚セグメンテーションアプローチと比較して3.44％のゲインを達成します。

要約(オリジナル)

Ultra-high Spatial Resolution Land Cover Classification is essential for fine-grained land cover analysis, yet it remains challenging due to the high cost of pixel-level annotations, significant scale variation, and the limited adaptability of large-scale vision models. Existing methods typically focus on 1-meter spatial resolution imagery and rely heavily on annotated data, whereas practical applications often require processing higher-resolution imagery under weak supervision. To address this, we propose a parameter-efficient semi-supervised segmentation framework for 0.3 m spatial resolution imagery, which leverages the knowledge of SAM2 and introduces a remote sensing-specific FreqWeaver Adapter to enhance fine-grained detail modeling while maintaining a lightweight design at only 5.96% of the total model parameters. By effectively leveraging unlabeled data and maintaining minimal parameter overhead, the proposed method delivers robust segmentation results with superior structural consistency, achieving a 1.78% improvement over existing parameter-efficient tuning strategies and a 3.44% gain compared to state-of-the-art high-resolution remote sensing segmentation approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google