面向少样本遥感分割的语义一致性与结构边界解耦

《Expert Systems with Applications》：Decoupling Semantic Identity and Structural Boundaries for Few-Shot Remote Sensing Segmentation

　　

- 解耦的语义流与结构流提升了小样本遥感分割性能。
- CCS通过级联自上而下的空间门控抑制背景噪声。
- CMSA使用深度可分离交叉注意力保留空间结构。
- CLAD结合DSR细化多尺度特征并恢复物体边界。
- 在iSAID-5i、PASCAL-5i和COCO-20i上取得了最先进性能。

引言

高分辨率对地观测技术的蓬勃发展使遥感影像成为各类应用的关键资产，涵盖城市规划、环境监测、精准农业和灾害管理等领域 Li et al. (2026a); Shen et al. (2025)。从这些复杂场景中提取可操作信息在很大程度上依赖于语义分割，这是一种基础计算机视觉任务，为图像中的每个像素分配独特的类别标签 Guo, Li, Zhang, Wu, & Wang (2026); Li et al. (2026b)。过去十年间，全卷积网络（FCNs）和先进的深度学习架构推动了遥感分割领域的显著进步，实现了高精度、自动化的土地覆盖类别和结构轮廓提取 Bi et al. (2026); Li, He, Liu, Zhang, & Li (2025); Wang, Liu, Xie, Zhao, & Li (2025b)。深度学习模型的快速快速发展同样改变了各个领域专业化分割与细化任务的面貌 Gholami, Fateh, & Fateh (2026); Saber, Fakhim, Fateh, & Fateh (2026)。

然而，这些传统深度学习模型的成功本质上依赖于大规模、精心标注的训练数据集 Amoafo, Akrong, & Owusu (2026); Du et al. (2026)。在遥感领域，获取此类密集且像素精确的真值数据以昂贵著称，劳动强度大，且通常需要特定领域的专业知识。此外，在现实场景中部署这些模型往往需要识别在初始训练阶段未出现的新土地覆盖类别 Petrov et al. (2026)。为了缓解这种严重的数据依赖性，小样本语义分割（FSS）作为一种极具前景的范式应运而生。FSS旨在仅使用高度受限的标注支持图像（通常为一至五张）就能使模型泛化到未见过的目标类别，有效弥合了数据饥渴的深度学习与标注稀缺的现实之间的鸿沟 Zhang, Zhang, Xu, & Wang (2026)。

当前小样本语义分割方法通常可分为两种主要范式：全局原型化和密集像素级相关性 Petrov et al. (2026)。如图1a所示，主导文献的全局原型化框架通过将支持集的目标区域压缩为单一全局一维描述向量来工作，采用掩码全局平均池化实现。随后通过余弦相似度或通道级乘法利用该原型激活查询图像中的相关区域 Tang et al. (2026)。相反，如图1b所示，密集相关性方法试图在支持集和查询特征图之间建立细粒度的像素对像素匹配，绕过对支持集的压缩以保留局部几何信息。近期，这些方法的特定适配已被引入遥感领域，以应对航空影像的独特视觉复杂性。

尽管取得了这些进展，现有方法面临显著的结构瓶颈。全局原型化的主要局限性在于空间归纳偏置的严重损失；通过将支持特征坍缩为单一向量，网络不可避免地丢弃了描绘复杂几何形状所必需的中层结构线索，导致过度碎片化或团块状的预测 Petrov et al. (2026)。虽然密集相关性方法试图解决这种空间坍缩问题，但它们极易受背景噪声影响 Moon, Kong, Khan, Kapadia, & Lin (2026)。由于遥感特征高度异质，强制进行像素级匹配往往在与目标类别纹理相似的背景区域产生灾难性的假阳性激活。最终，两个类别都陷入困境，因为它们迫使单一纠缠的特征空间同时处理"物体是什么"（语义身份）和"其边界在哪里"（空间结构） Li et al. (2024)。

为了克服这些根深蒂固的挑战，如图1c所示，我们提出了一种用于小样本遥感分割的并行解耦层级框架。认识到语义含义和结构边界存在于网络的不同深度，我们的方法明确地将它们的处理分离开来。我们引入了独立尺度感知原型化（ISAP）模块来提取不同的语义和结构原型，并结合交叉相关策略（CCS）利用级联空间门控过滤背景噪声并生成细化相关图（RCM）。为了将这些特定先验投射到查询图像上而不牺牲二维空间完整性，我们采用了双并行余弦调制空间注意力（CMSA）机制。最后，多尺度特征由我们的跨层注意力解码器（CLAD）稳健聚合，该解码器集成了密集空间细化（DSR）模块，以强力恢复遥感物体特征性的锐利复杂边界。

总之，本文的主要贡献如下：

- 我们为小样本遥感分割引入了解耦网络布局。我们的框架并非依赖全新的运算基元，而是通过并行流处理高层语义身份和中层几何边界来提升性能，避免了传统架构中常见的空间坍缩。
- 我们引入了CCS模块，采用级联自上而下的门控机制动态抑制背景噪声并为目标类别生成鲁棒的显式空间先验。
- 我们设计了CMSA模块，一种高效的注意力机制，将深度可分离层整合到交叉注意力中以更好地在特征匹配期间保留二维空间排列。
- 我们开发了配备密集空间细化（DSR）模块的CLAD，该模块将低层表示直接路由到并行膨胀卷积中以在最终分类前恢复详细的物体边界。
- 在iSAID-5i、PASCAL-5i和COCO-20i数据集上的广泛评估表明，这种并行流组合取得了最先进结果并在不同视觉领域具有良好的泛化能力。

章节片段

相关工作

本节简要回顾了遥感领域语义分割的发展以及小样本语义分割（FSS）框架的最新进展。

问题定义

在遥感领域，小样本语义分割旨在仅使用非常少量的标注支持图像就能准确分类和分割查询图像中新类型的土地覆盖或物体。该问题使用训练数据集 ??_train 和不相交的测试数据集 ??_test 进行形式化定义。为确保模型真正学习泛化能力，测试阶段评估的目标类别在训练期间严格保持不可见。

在标准的1-way K-shot设置下，网络

实验结果

为了严格评估我们提出的解耦层级框架的有效性和鲁棒性，我们在标准遥感基准上进行了广泛实验。本节概述了数据集特性，详细说明了具体的训练协议和超参数，并在呈现比较结果之前定义了用于评估分割性能的定量指标。

结论

在本文中，我们引入了一种解耦层级学习框架来解决小样本遥感语义分割中空间坍缩和严重背景噪声的双重挑战。通过结构上将高层语义身份提取与中层几何边界分离，所提出的架构有效规避了限制传统全局原型化和密集像素级相关性模型的深层瓶颈。该框架利用

CRediT作者贡献声明

Amirreza Fateh：概念化、方法论、软件、验证、形式化分析、调查研究、数据管理、初稿撰写、审阅与编辑、可视化。

利益冲突声明

作者声明不存在已知的竞争经济利益或个人关系可能影响本文所报告的工作。

Amirreza Fateh