Semi-MeshSeg：基于全伪标签的半监督学习在大规模城市纹理网格语义分割中的应用与优化

针对城市网格标注成本高、现有方法依赖全监督学习的瓶颈，研究人员提出首个半监督城市网格语义分割方法Semi-MeshSeg。通过创新性设计双流扰动分支、噪声抑制损失和分布对齐损失，该方法有效利用全伪标签提升模型性能，在SUM和seMet数据集上mIoU分别提升3.0%和4.5%，为三维地理信息处理提供了高效解决方案。

　　

随着智慧城市建设的推进，三维城市建模成为数字孪生技术的核心基础。城市纹理网格作为真实城市场景的数字化表达，其语义分割结果直接影响城市规划、交通管理等重要应用。然而现有方法面临两大困境：一方面全监督学习需要海量标注数据，人工标注4平方公里区域需耗时超1000小时；另一方面城市网格具有几何不规则、边界模糊等特性，传统方法难以准确捕捉复杂空间特征。这些瓶颈严重制约了三维地理信息处理的效率和精度。

为解决这一挑战，中国研究人员在《International Journal of Applied Earth Observation and Geoinformation》发表创新成果。研究团队提出Semi-MeshSeg框架，首次将半监督学习引入城市网格分割领域。该方法突破性地利用全伪标签而非仅高置信度样本，通过双流扰动分支探索三维扰动空间，结合噪声抑制损失(L_nr)和分布对齐损失(L_da)提升伪标签质量，在有限标注条件下实现性能突破。关键技术包括：基于KPConv的骨干网络、Poisson Disk采样策略、多尺度增强方法（含色度抖动、几何形变等7种增强），以及KL散度驱动的分布对齐优化。

研究结果部分，3.1节通过消融实验验证双流扰动的必要性，相比单分支提升mIoU达2.3%。3.3节显示噪声抑制损失使低置信伪标签熵值降低41.5%。4.5.1节在SUM数据集上，仅用1/40标注数据即达到61.8% mIoU，超越全监督方法12.3%。4.5.5节证实分布对齐损失使建筑类别IoU提升11.2%，车辆识别准确率提高4.8倍。图6可视化显示该方法在模糊边界区域的错误率降低37.2%。

这项研究开创性地将半监督学习引入城市网格分析，提出的Semi-MeshSeg框架具有三大理论贡献：首次实现全伪标签的有效利用，创新设计双分支扰动机制，建立噪声抑制与分布对齐的联合优化范式。实践层面，该方法将标注成本降低90%以上，在智慧城市建模、自动驾驶高精地图构建等领域具有重要应用价值。未来研究可进一步探索弱监督方法，并拓展到点云、多模态数据等更广泛的三维场景理解任务中。