Die Autoren entwickeln einen einheitlichen morphologischen Ansatz zur Erstellung verschiedener Prompt-Datensätze (Punkte, Boxen, Masken) als Benchmark für die Seenextraktion aus Fernerkundungsbildern. Sie schlagen LEPrompter vor, ein zweistufiges Prompt-Verbesserungsframework für die automatisierte Seenextraktion.
In der ersten, prompt-basierten Phase wird ein leichtgewichtiger Prompt-Encoder und -Decoder verwendet, um Prompt-Informationen in den Trainingsprozess zu integrieren. In der zweiten, prompt-freien Phase wird das Modell unabhängig von Prompts trainiert. Während der Inferenz wird nur der prompt-freie Ansatz verwendet, ohne zusätzliche Parameter oder Rechenleistung.
Umfangreiche Experimente auf zwei Datensätzen zeigen, dass der vorgeschlagene Ansatz die Leistung früherer State-of-the-Art-Methoden konsistent verbessert, mit einer mIoU von 91,53% auf dem SW-Datensatz und 97,44% auf dem QTPL-Datensatz.
다른 언어로
소스 콘텐츠 기반
arxiv.org
더 깊은 질문