DeepNet Potsdam Segmentation

Репозиторий содержит финальные state dict четырёх систем сегментации из исследовательского портфолио DeepNet по Potsdam. Это только тензоры моделей в safetensors: без optimizer state, исходных снимков, разметки и предсказаний.

➕ Ключевые особенности

• 1⃣ Четыре варианта: DINOv3 ViT-B/16, DINOv2 ViT-B/14, PSPNet ResNet101 и SAM ViT-B + LoRA.
• 2⃣ Лучший OA у DINOv3 — 92.0397%, six-class mIoU — 81.0932%.
• 3⃣ Метрики посчитаны на одной исторической выборке из 14 сцен и 467 862 855 пикселей с six-class eroded references.
• 4⃣ Лицензии зависят от модели: для DINOv3 действует DINOv3 License Agreement, для DINOv2, PSPNet и SAM — Apache-2.0.
• 5⃣ Исходный датасет ISPRS не входит; снимки и метки нужно получать отдельно с официального портала.

▶ Пример

from huggingface_hub import hf_hub_download
from safetensors.torch import load_file

weights_path = hf_hub_download(
    repo_id="damminhtien/deepnet-potsdam-segmentation",
    filename="models/dinov3-vitb16-rgb/model.safetensors",
)
state_dict = load_file(weights_path, device="cpu")
# затем собрать модель по model spec и вызвать load_state_dict

Подробнее

DINOv3 и PSPNet используют проверенный RGB из четырёхканального RGBIR. DINOv2 и SAM используют исторические трёхканальные файлы, записанные как IRRG; по аудиту значения там NIR/green/blue, а не натуральный RGB.
Это не новый blind test и не заявление о SOTA: результаты наблюдались на уже исследованной когорте.
Для SAM в файле только обучаемые adapter/decoder-тензоры; базовый чекпоинт SAM ViT-B нужно скачать отдельно и сверить SHA-256 с model-info.json.