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

从高分辨率遥感影像中准确提取农业目标，不仅需要较高的区域分割精度，还需要可靠的目标几何形态。然而，大多数语义分割框架主要针对像素级或区域级一致性进行优化，因此高重叠度评分可能与边界不连续、目标合并以及结构不一致的预测同时存在。为解决这一不匹配问题，我们提出了注意力增强的DeepLab V3+与局部到全局形状一致性框架（ADLSC），这是一个协调语义判别、自适应边界表示和完整目标几何一致性的局部到全局框架。目标感知的多尺度上下文增强了目标—背景判别能力，轮廓自适应表示根据局部边界变化调整采样，同时保持狭窄的目标间分离，分阶段的层次化目标将优化从区域一致性扩展到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，相对于DeepLab V3+，ADLSC的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，同时降低了曲率和形状误差。目标匹配方面的提升大于区域重叠方面的提升，表明将局部轮廓自适应与目标级几何约束显式耦合，能够改善仅靠像素导向目标无法捕捉的分割质量维度，从而支持更可靠的基于目标的农业制图与空间分析。