Les ensembles de données publiques en télédétection font souvent face à des limitations en matière d'universalité en raison de la variabilité de la résolution et des définitions de catégories de couverture terrestre incohérentes. Pour tirer parti du vaste réservoir de données de télédétection non étiquetées, nous proposons SAMST, une méthode de segmentation sémantique semi-supervisée. SAMST exploite les forces du modèle Segment Anything (SAM) en généralisation zéro-shot et en détection de frontières. SAMST affine itérativement les pseudo-étiquettes à travers deux composants principaux : l'auto-formation d'un modèle supervisé utilisant à la fois des données étiquetées et pseudo-étiquetées, et un Raffineur de Pseudo-étiquette basé sur SAM. Le Raffineur de Pseudo-étiquette comprend trois modules : un Module de Filtrage par Seuil pour le prétraitement, un Module de Génération d'Invite pour extraire des régions connectées et générer des invites pour SAM, et un Module de Raffinement d'Étiquette pour la couture finale des étiquettes. En intégrant le pouvoir de généralisation de grands modèles avec l'efficacité d'entraînement de petits modèles, SAMST améliore la précision des pseudo-étiquettes, améliorant ainsi la performance globale du modèle. Des expériences sur l'ensemble de données de Potsdam valident l'efficacité et la faisabilité de SAMST, démontrant son potentiel à relever les défis posés par les données étiquetées limitées en segmentation sémantique de télédétection.
Yin et al. (Wed,) ont étudié cette question.