論文の概要: PC-SAM: Patch-Constrained Fine-Grained Interactive Road Segmentation in High-Resolution Remote Sensing Images
- arxiv url: http://arxiv.org/abs/2604.00495v1
- Date: Wed, 01 Apr 2026 05:26:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-02 16:44:31.845311
- Title: PC-SAM: Patch-Constrained Fine-Grained Interactive Road Segmentation in High-Resolution Remote Sensing Images
- Title（参考訳）: PC-SAM:高解像度リモートセンシング画像におけるパッチ拘束された細粒度対話型道路分割
- Authors: Chengcheng Lv, Rushi Li, Mincheng Wu, Xiufang Shi, Zhenyu Wen, Shibo He,
- Abstract要約: そこで本研究では,完全自動道路分割と対話的セグメント化を統合したPC-SAMを提案する。
PC-SAMは、道路マスクセグメンテーションにおける最先端の完全自動モデルよりも大幅に優れている。
- 参考スコア（独自算出の注目度）: 15.338971321472373
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Road masks obtained from remote sensing images effectively support a wide range of downstream tasks. In recent years, most studies have focused on improving the performance of fully automatic segmentation models for this task, achieving significant gains. However, current fully automatic methods are still insufficient for identifying certain challenging road segments and often produce false positive and false negative regions. Moreover, fully automatic segmentation does not support local segmentation of regions of interest or refinement of existing masks. Although the SAM model is widely used as an interactive segmentation model and performs well on natural images, it shows poor performance in remote sensing road segmentation and cannot support fine-grained local refinement. To address these limitations, we propose PC-SAM, which integrates fully automatic road segmentation and interactive segmentation within a unified framework. By carefully designing a fine-tuning strategy, the influence of point prompts is constrained to their corresponding patches, overcoming the inability of the original SAM to perform fine local corrections and enabling fine-grained interactive mask refinement. Extensive experiments on several representative remote sensing road segmentation datasets demonstrate that, when combined with point prompts, PC-SAM significantly outperforms state-of-the-art fully automatic models in road mask segmentation, while also providing flexible local mask refinement and local road segmentation. The code will be available at https://github.com/Cyber-CCOrange/PC-SAM.
- Abstract（参考訳）: リモートセンシング画像から得られる道路マスクは、広範囲の下流タスクを効果的に支援する。
近年,この課題に対する完全自動セグメンテーションモデルの性能向上に焦点が当てられ,大きな成果が得られている。
しかし、現在の完全自動手法は、ある挑戦的な道路セグメントを特定するのにはまだ不十分であり、しばしば偽陽性および偽陰性領域を生成する。
さらに、完全自動セグメンテーションは、関心領域の局所的なセグメンテーションや、既存のマスクの洗練をサポートしない。
SAMモデルはインタラクティブなセグメンテーションモデルとして広く用いられ、自然画像上では良好に機能するが、リモートセンシング道路セグメンテーションでは性能が悪く、きめ細かい局所的な精細化をサポートできない。
これらの制約に対処するために,完全自動道路分割と対話的セグメント化を統合フレームワークに統合したPC-SAMを提案する。
微調整戦略を慎重に設計することにより、ポイントプロンプトの影響を対応するパッチに制限し、元のSAMが局所的な微調整を行うことができないことを克服し、きめ細かな対話マスクの精細化を可能にする。
いくつかの代表的なリモートセンシング道路セグメンテーションデータセットに対する大規模な実験により、PC-SAMは、ポイントプロンプトと組み合わせることで、ロードマスクセグメンテーションにおける最先端の完全自動モデルよりも大幅に優れ、フレキシブルなローカルマスクリファインメントとローカル道路セグメンテーションを提供することを示した。
コードはhttps://github.com/Cyber-CCOrange/PC-SAMで入手できる。
関連論文リスト
- Segment and Matte Anything in a Unified Model [5.8874968768571625]
Segment Anything (SAM)は先日,ゼロショットの一般化とフレキシブルプロンプトを実証することによって,セグメンテーションの境界を推し進めた。
SAMの軽量拡張であるSegment And Matte Anything(SAMA)を紹介する。
論文 参考訳（メタデータ） (2026-01-17T19:43:10Z) - ReSAM: Refine, Requery, and Reinforce: Self-Prompting Point-Supervised Segmentation for Remote Sensing Images [0.5076419064097732]
リモートセンシング画像にインタラクティブなセグメンテーションモデルを適用するセルフプロンプト・ポイント制御フレームワークを提案する。
提案手法を,WHU,HRSID,NWPU VHR-10を含む3つのRSIベンチマークデータセット上で評価した。
この結果から, リモートセンシングアプリケーションにおいて, 自己プロンプトとセマンティックアライメントが, 拡張性, ポイントレベルのセグメンテーションモデルへの適応に有効であることが示唆された。
論文 参考訳（メタデータ） (2025-11-26T17:26:00Z) - Context-Aware Weakly Supervised Image Manipulation Localization with SAM Refinement [52.15627062770557]
悪意のある画像操作は社会的リスクを生じさせ、効果的な画像操作検出方法の重要性を高めている。
画像操作検出の最近のアプローチは、完全に教師されたアプローチによって大きく推進されている。
本稿では,デュアルブランチトランスフォーマー-CNNアーキテクチャに基づく,弱教師付きフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-26T07:35:09Z) - MaskAttn-UNet: A Mask Attention-Driven Framework for Universal Low-Resolution Image Segmentation [5.130440339897479]
MaskAttn-UNetはマスクアテンション機構を通じて従来のU-Netアーキテクチャを強化する新しいセグメンテーションフレームワークである。
本モデルでは,無関係な背景を抑えながら重要な領域を選択的に強調し,乱れや複雑なシーンのセグメンテーション精度を向上させる。
以上の結果から,MaskAttn-UNetは変圧器モデルよりも計算コストが大幅に低く,最先端の手法に匹敵する精度を達成できた。
論文 参考訳（メタデータ） (2025-03-11T22:43:26Z) - Towards Fine-grained Interactive Segmentation in Images and Videos [21.22536962888316]
SAM2のバックボーン上に構築されたSAM2Refinerフレームワークを提案する。
このアーキテクチャによりSAM2は、画像とビデオの両方のきめ細かいセグメンテーションマスクを生成することができる。
さらに,マルチスケールのカスケード構造を用いてマスク特徴とエンコーダの階層的表現を融合させることによりマスクリファインメントモジュールを考案した。
論文 参考訳（メタデータ） (2025-02-12T06:38:18Z) - Segment Anything Meets Point Tracking [116.44931239508578]
本稿では,SAMと長期点追跡を併用した,ポイント中心の対話型ビデオセグメンテーションの新たな手法を提案する。
ゼロショットオープンワールドUnidentified Video Objects(UVO)ベンチマークで直接評価することで,ポイントベーストラッキングのメリットを強調した。
DAVIS, YouTube-VOS, BDD100Kなどの人気ビデオオブジェクトのセグメンテーションと多目的セグメンテーションのベンチマーク実験により, ポイントベースセグメンテーショントラッカーがより優れたゼロショット性能と効率的なインタラクションをもたらすことが示唆された。
論文 参考訳（メタデータ） (2023-07-03T17:58:01Z) - R-MAE: Regions Meet Masked Autoencoders [113.73147144125385]
我々は、自己教師付き画像表現学習のための単語の潜在的な視覚的類似として領域を探索する。
生成前トレーニングベースラインであるMasked Autoencoding (MAE) に触発されて, 画素群や領域群から学習するためのマスク付き領域オートエンコーディングを提案する。
論文 参考訳（メタデータ） (2023-06-08T17:56:46Z) - DeSAM: Decoupled Segment Anything Model for Generalizable Medical Image Segmentation [22.974876391669685]
Segment Anything Model (SAM) は、医用画像セグメンテーションのクロスドメインロバスト性を改善する可能性を示している。
SAMは手動でトリガーする時よりも、自動セグメンテーションのシナリオで大幅にパフォーマンスが低下する。
Decoupled SAMはSAMのマスクデコーダを2つの新しいモジュールを導入して変更する。
論文 参考訳（メタデータ） (2023-06-01T09:49:11Z) - Semantic Attention and Scale Complementary Network for Instance
Segmentation in Remote Sensing Images [54.08240004593062]
本稿では,セマンティックアテンション(SEA)モジュールとスケール補完マスクブランチ(SCMB)で構成される,エンドツーエンドのマルチカテゴリインスタンスセグメンテーションモデルを提案する。
SEAモジュールは、機能マップ上の興味あるインスタンスのアクティベーションを強化するために、追加の監督を備えた、単純な完全な畳み込みセマンティックセマンティックセマンティクスブランチを含んでいる。
SCMBは、元のシングルマスクブランチをトリデントマスクブランチに拡張し、異なるスケールで補完マスクの監視を導入する。
論文 参考訳（メタデータ） (2021-07-25T08:53:59Z) - LevelSet R-CNN: A Deep Variational Method for Instance Segmentation [79.20048372891935]
現在、多くのアートモデルはMask R-CNNフレームワークに基づいている。
本稿では,両世界の長所を結合したR-CNNを提案する。
我々はCOCOおよびCityscapesデータセットに対するアプローチの有効性を示す。
論文 参考訳（メタデータ） (2020-07-30T17:52:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。