南京大学杜培军团队ISPRS最新成果 | WSPE弱监督框架融合SAM2+TabPFN,大规模农业地块提取效率翻倍

图 6. F-APD 数据集上，Transformer - 知识增强骨干网络（TKBNet）与当前主流语义分割方法的定性对比。影像：0.5 米分辨率谷歌地球影像；GT：真实标签。

图 7.AI4Boundaries 数据集上，Transformer - 知识增强骨干网络（TKBNet）与当前主流语义分割方法的定性对比。影像：0.5 米分辨率谷歌地球影像；GT：真实标签。

图 8.FGFD 数据集上，Transformer - 知识增强骨干网络（TKBNet）与当前主流语义分割方法的定性对比。影像：0.5 米分辨率谷歌地球影像；GT：真实标签。

图 9.弱监督农业地块提取（WSPE）框架的消融实验结果定性对比。影像：0.5 米分辨率谷歌地球影像；GT：真实标签；配置 M1-M10 对应表 4 中报告的实验设置。

图 10.自适应修正触发器的实证验证与伪标签误差的可视化修正结果。

图 11.弱监督农业地块提取（WSPE）框架不同阶段特征的 t - 分布随机邻域嵌入（T-SNE）可视化。

图 12.随机森林（Random Forest）、极端梯度提升（XGBoost）、类别梯度提升（CatBoost）及其平均值的训练样本量消融曲线。上图为归一化的 ROC 曲线下面积（ROC-AUC），下图为 F1 分数，均以训练样本数量为横坐标绘制。

图 13.中国九大农业区上，TabPFN、极端梯度提升（XGBoost）、类别梯度提升（CatBoost）与随机森林（Random Forest）的 ROC 曲线及综合指标雷达图。

图 14.跨尺度伪标签优化的分步贡献定性对比。影像：0.5 米分辨率谷歌地球影像；GT：真实标签；步骤 1：土地覆盖先验初始化（LCPI）；步骤 2：土地覆盖先验初始化→迭代类别细化（ICR）；步骤 3：土地覆盖先验初始化→迭代类别细化→迭代噪声去除（INR）；步骤 4：土地覆盖先验初始化→迭代类别细化→迭代噪声去除→跨尺度提示生成（CPG）；步骤 5：土地覆盖先验初始化→迭代类别细化→迭代噪声去除→跨尺度提示生成→基于 SAM2 的伪标签优化（SPR）。

图 15.Transformer - 知识增强骨干网络（TKBNet）的消融实验结果定性对比。影像：0.5 米分辨率谷歌地球影像；GT：真实标签；（a-f）三种数据集上不同模型的分割结果对比，红色表示假阳性，蓝色表示假阴性；（g-h）对应的梯度加权类激活映射（Grad-CAM）热力图。

图 16.三种基准数据集上，Transformer - 知识增强骨干网络（TKBNet）与分支替换变体的定性对比。对最后一个特征提取层应用梯度加权类激活映射（Grad-CAM）进行可视化。

图 17.语义分割模型的精度 - 效率权衡分析。左图为平均交并比（mIoU）与参数量的关系，右图为平均交并比与推理速度的关系；红色五角星表示 Transformer - 知识增强骨干网络（TKBNet），蓝色圆点表示通用分割模型，黄色圆点表示遥感专用分割方法；平均交并比为 F-APD、FGFD、AI4Boundaries 三个数据集的平均值。

图 18.弱监督农业地块提取（WSPE）框架在三个大规模研究区的制图与矢量化结果。（a）周口；（b）衡水；（c）丰城；最左侧列展示全监督弱监督农业地块提取（F-WSPE）的大规模农业地块提取结果，其余列展示放大后的局部结果及对应的矢量化成果。

图 19.复杂农业条件下弱监督农业地块提取（WSPE）框架的代表性失效案例。INR：迭代噪声去除；CPG：跨尺度提示生成；SPR：基于 SAM2 的伪标签优化。