无监督高分辨率无人机影像的道路场景解析
内容提要
该文综述了利用弱监督、远程监督和预训练方法降低遥感图像分割标注成本的研究，涵盖道路分割、超高分辨率无人机图像、卫星地图生成和点云理解等任务，通过图像级标签、查询点、OpenStreetMap数据等弱标签，结合全卷积网络和SAM模型，在减少标注工作量的同时达到接近全监督的性能。
延伸解读
弱监督如何降低标注成本
文章指出，通过图像级标签、查询点或OpenStreetMap数据等弱标签，可以大幅减少人工标注工作量。例如，基于远程监督的道路分割仅需图像级标注，性能达到全监督方法的93.8%；使用查询点标注也能在减少成本的同时达到与全监督相竞争的性能。这些方法为标注资源有限的场景提供了可行路径。
高分辨率无人机影像的分割挑战
针对超高分辨率无人机图像，文章提到GPU内存限制是主要瓶颈，并介绍了空间引导式高分辨率查询模块和基于内存的交互方案，以改善较小、较细和曲线区域的分割效果。这表明处理高分辨率数据时，算法需兼顾内存效率与细节保留。
预训练与公开数据的价值
文章强调，利用大规模公开标注（如OpenStreetMap）进行预训练，可以提升模型泛化能力，并显著降低地图生成成本而不影响语义分割效果。这提示读者，在数据稀缺领域，合理利用现有公开数据是提高模型性能的有效策略。
弱监督在点云与少样本分割中的扩展
文章还展示了弱监督框架在点云理解中的应用，通过无监督区域扩展和自监督重建，在语义分割、实例分割和目标检测任务中表现最佳。此外，结合SAM模型的少样本分割方法在DLRSD数据集上优于其他方法，说明弱监督思路可跨任务迁移。
Q&A
如何降低遥感图像分割的标注成本？
可以采用弱监督、远程监督和预训练方法。例如，使用图像级标签自动生成弱像素级道路掩模，或利用OpenStreetMap道路数据作为弱标签进行预训练，从而减少标注工作量。
弱监督道路分割能达到全监督的性能吗？
可以接近。一种基于远程监督的方法仅需图像级标注，自动生成弱像素级道路掩模，使用全卷积神经网络，达到了全监督方法93.8%的性能。
如何处理超高分辨率无人机图像的分割？
针对GPU内存限制，提出了一种新颖的空间引导式高分辨率查询模块和高效的基于内存的交互方案，以改进较小、较细和曲线区域的分割效果。
如何利用卫星图像自动生成地图？
通过卫星图像语义分割实现自动生成地图。使用大规模公开标注取代部分手动标注可以显著降低成本且不影响语义分割效果。
点云理解在有限标签下有哪些方法？
提出了一种通用简单框架，通过无监督区域扩展的聚类方法生成聚类，结合地理特征相似性和语义特征相似性在弱标签监督下学习合并过度细分的聚类，以及自监督重建和数据增强优化模块引导标签传播。在语义分割、实例分割和目标检测任务中表现最佳。
SAM模型如何用于少样本语义分割？
介绍了一种结构化框架，利用Segment Anything Model（SAM），并借助先前引导的掩模生成粗略像素级提示，以获得更高效的语义可辨别分割结果，在DLRSD数据集上优于其他少样本方法。
