摘要
高分辨率遥感视频（RSV）的快速普及使目标分割成为一项日益重要且极具挑战性的任务。现有方法在该领域面临两个根本性局限：（1）遥感视频本身固有的复杂性，源于目标尺寸微小、分布密集以及尺度变化剧烈；（2）遥感图像巨大的空间分辨率带来的难以承受的计算开销和延迟。为应对这些挑战，我们提出了 Trajectory-SAM，一种专为遥感视频中快速且精确的目标分割而设计的、新颖的目标轨迹引导分割框架。具体而言，我们首先采用图神经网络提取代表性关键帧，在提高数据利用效率的同时，抑制冗余帧所引起的注意力漂移和解释偏差。随后，我们引入了 Temporal-LoRA，一种针对分割一切模型（SAM）的参数高效微调策略，显著增强了其在遥感领域的时空上下文理解能力。最后，我们设计了一种基于样本增强的知识蒸馏策略，在不牺牲分割质量的前提下加速推理过程。在 SAT-MTB、iSAID 和 VHR-10 数据集上的大量实验表明，我们提出的 Trajectory-SAM 取得了卓越的性能，在精度与速度之间建立了令人信服的良好权衡。
