The Segment Anything Model (SAM) for remote sensing applications: From zero to one shot

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorUniversity of Western São Paulo (UNOESTE)-
Autor(es): dc.contributorUniversity of Tennessee (UT)-
Autor(es): dc.contributorUniversidade Federal de Mato Grosso do Sul (UFMS)-
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.contributorUniversity of Waterloo (UW)-
Autor(es): dc.creatorOsco, Lucas Prado-
Autor(es): dc.creatorWu, Qiusheng-
Autor(es): dc.creatorde Lemos, Eduardo Lopes-
Autor(es): dc.creatorGonçalves, Wesley Nunes-
Autor(es): dc.creatorRamos, Ana Paula Marques-
Autor(es): dc.creatorLi, Jonathan-
Autor(es): dc.creatorMarcato, José-
Data de aceite: dc.date.accessioned2025-08-21T17:24:57Z-
Data de disponibilização: dc.date.available2025-08-21T17:24:57Z-
Data de envio: dc.date.issued2025-04-29-
Data de envio: dc.date.issued2023-10-31-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.1016/j.jag.2023.103540-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/298568-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/298568-
Descrição: dc.descriptionSegmentation is an essential step for remote sensing image processing. This study aims to advance the application of the Segment Anything Model (SAM), an innovative image segmentation model by Meta AI, in the field of remote sensing image analysis. SAM is known for its exceptional generalization capabilities and zero-shot learning, making it a promising approach to processing aerial and orbital images from diverse geographical contexts. Our exploration involved testing SAM across multi-scale datasets using various input prompts, such as bounding boxes, individual points, and text descriptors. To enhance the model's performance, we implemented a novel automated technique that combines a text-prompt-derived general example with one-shot training. This adjustment resulted in an improvement in accuracy, underscoring SAM's potential for deployment in remote sensing imagery and reducing the need for manual annotation. Despite the limitations, encountered with lower spatial resolution images, SAM exhibits promising adaptability to remote sensing data analysis. We recommend future research to enhance the model's proficiency through integration with supplementary fine-tuning techniques and other networks. Furthermore, we provide the open-source code of our modifications on online repositories, encouraging further and broader adaptations of SAM to the remote sensing domain.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionFundação de Apoio ao Desenvolvimento do Ensino, Ciência e Tecnologia do Estado de Mato Grosso do Sul-
Descrição: dc.descriptionUniversity of Western São Paulo (UNOESTE), Rod. Raposo Tavares, km 572, Limoeiro-
Descrição: dc.descriptionUniversity of Tennessee (UT), 1331 Circle Park Drive-
Descrição: dc.descriptionFederal University of Mato Grosso do Sul (UFMS), Av. Costa e Silva-Pioneiros, Cidade Universitária-
Descrição: dc.descriptionSão Paulo State University (UNESP), Centro Educacional, R. Roberto Simonsen, 305-
Descrição: dc.descriptionUniversity of Waterloo (UW), 200 University Avenue West-
Descrição: dc.descriptionSão Paulo State University (UNESP), Centro Educacional, R. Roberto Simonsen, 305-
Descrição: dc.descriptionCAPES: 001-
Descrição: dc.descriptionCNPq: 305296/2022-1-
Descrição: dc.descriptionCNPq: 308481/2022-4-
Descrição: dc.descriptionCNPq: 310517/2020-6-
Descrição: dc.descriptionCNPq: 405997/2021-3-
Descrição: dc.descriptionCNPq: 433783/2018-4-
Descrição: dc.descriptionFundação de Apoio ao Desenvolvimento do Ensino, Ciência e Tecnologia do Estado de Mato Grosso do Sul: 71/009.436/2022-
Idioma: dc.languageen-
Relação: dc.relationInternational Journal of Applied Earth Observation and Geoinformation-
???dc.source???: dc.sourceScopus-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectImage segmentation-
Palavras-chave: dc.subjectMulti-scale datasets-
Palavras-chave: dc.subjectText-prompt technique-
Título: dc.titleThe Segment Anything Model (SAM) for remote sensing applications: From zero to one shot-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.