分割任意模型 (SAM) 现在可在不同类型的数据（例如近距离图像和航空图像）中自由克隆和使用。在我看来，SAM 模型在近距离图像上效果更好，因为这些图像对目标特征和物体有独特的视角，使模型更容易准确地区分和分割它们。

现在，我们将探讨 SAM 模型在不同遥感数据上的能力，包括假彩色图像、特写图像、倾斜照片和点云生成的正射影像。

追踪不同类型的数据

用于土地利用和土地覆盖 (LULC) 制图的伪彩色图像

从分割结果来看，SAM模型可以很好地跨越假彩色图像识别出建筑物，但仍有一些部分（例如右上方的建筑物）没有被分割。它应该与感兴趣的区域有关，由于航空图像覆盖的区域很大，所以我们应该定义并缩小目标分割区域以提高分割的细节。尽管如此，SAM 模型在建筑指纹提取方面仍然表现出色。

修剪可以提高细节吗？是的，但事实并非如此。

从修剪后的目标区域来看，分割结果比大区域更令人印象深刻，这是因为我们通过修剪缩小了特征范围，有助于减少对原始图像进行下采样的影响。由于 SAM 模型下采样工作流程降低了输入数据的空间分辨率，同时保留了数据的重要特征和结构。修剪可以提高细节，让 SAM 模型从给定样本中分割和识别更多特征。