基于局部到全局形状一致性的注意力增强DeepLab V3+农业目标分割方法

《Remote Sensing》：Local-to-Global Shape-Consistent Learning for Boundary-Reliable Agricultural Object Extraction from High-Resolution Remote Sensing Imagery

　　# 摘要从高分辨率遥感影像中准确提取农业目标不仅需要高区域分割精度，还需要可靠的目标几何信息。然而，大多数语义分割框架主要面向像素级或区域级一致性进行优化，因此高重叠度得分可能伴随边界不连续、目标融合以及结构不一致的预测结果。为解决这一不匹配问题，我们提出了一种具有局部到全局形状一致性的注意力增强DeepLab V3+（ADLSC），这是一种局部到全局框架，能够协调语义判别、自适应边界表达和完整目标几何一致性。目标感知的多尺度上下文增强了目标与背景的区分能力；轮廓自适应表达根据局部边界变化调整采样方式，同时保持目标间的窄间隙分离；分阶段层次化目标函数将优化从区域一致性扩展到与曲率和形状相关的一致性。在耕地地块和温室设施数据集上，与DeepLab V3+相比，ADLSC的交并比（IoU）分别提升了8.28和15.92个百分点，匹配率分别提升了24.32和42.88个百分点，同时降低了曲率误差和形状误差。目标匹配率的提升幅度大于区域重叠度的提升幅度，这表明显式地将局部轮廓自适应与目标级几何约束相结合，能够改进仅凭面向像素的目标函数无法捕捉到的分割质量方面，从而支持更可靠的目标导向农业制图和空间分析。