面向越野语义分割的跨尺度解码器与标记精炼

越野语义分割面临着不规则地形、植被杂乱以及固有标注模糊性的挑战。不同于城市场景具有清晰物体边界，越野环境表现出类别层面的强相似性，导致类别过渡区域较厚且不确定，影响边界一致性并 destabilize 训练。稀有或细小结构，如狭窄可通行间隙或孤立障碍物，进而获得稀疏且不可靠的监督，容易被占主导地形纹理所淹没。现有的解码器设计要么依赖低尺度瓶颈导致细节过度平滑，要么反复融合高细节特征，倾向于放大标注噪声并产生巨大的计算成本。我们提出一个跨尺度解码器，通过三个互补机制来显式应对这些挑战。首先，一个全局-局部标记精炼模块在紧凑的瓶颈格子上汇聚语义上下文，受边界感知正则化指导，以在模糊监督下保持鲁健性。其次，一个门控细节桥接通过跨尺度注意力仅注入细节线索一次，保留边界和纹理信息，同时避免噪声累积。第三，一个不确定性引导的类别感知点精炼选择性地更新最不可靠的像素，最小计算开销地改进稀有和模糊结构。 resulting 框架实现了针对越野环境的噪声鲁健和边界保留分割，恢复细节结构同时保持部署友好的效率。实验结果表明，在标准越野基准数据集上，该方法在不依赖重型稠密特征融合的情况下持续优于先前方法。