HieraRS：远程感知分层分割范式，实现多粒度解释与跨域迁移
计算机视觉与模式识别
2026-03-17 v3
摘要
分层土地覆盖和土地利用（LCLU）分类旨在为遥感（RS）图像分配具有多个语义粒度的像素级标签。然是，现有的深度学习方法面临两个主要挑战：1）它们主要采用平坦分类范式，限制了其生成与实际使用的树状层次结构相匹配的端到端多粒度分层预测的能力。2）大多数跨域研究关注传感器或场景变化导致的性能下降，对将LCLU模型迁移到具有异构层次结构的跨域任务（例如LCLU到作物分类）的转移问题关注有限。这些限制阻碍了LCLU模型在实际应用中的灵活性和可推广性。为了解决这些挑战，我们提出了 HieraRS，一种新的分层解释范式，使其能够生成多粒度预测并支持将LCLU模型高效迁移到具有异构树状层次结构的跨域任务。我们引入了双向分层一致性约束机制（BHCCM），可无缝集成到主流平坦分类模型中，以生成分层预测，同时提高语义一致性和分类准确性。此外，我们提出了 TransLU，一个双分支跨域迁移框架，包括两个关键组件：跨域知识共享（CDKS）和跨域语义对齐（CDSA）。TransLU 支持动态类别扩展并促进LCLU模型适应异构层次结构的有效转换。此外，我们构建了 MM-5B，一个大规模多模态分层土地利用数据集，包含像素级注释。代码和 MM-5B 数据集将在：https://github.com/AI-Tianlong/HieraRS 发布。
引用
@article{arxiv.2507.08741,
title = {HieraRS: A Hierarchical Segmentation Paradigm for Remote Sensing Enabling Multi-Granularity Interpretation and Cross-Domain Transfer},
author = {Tianlong Ai and Tianzhu Liu and Haochen Jiang and Yanfeng Gu},
journal= {arXiv preprint arXiv:2507.08741},
year = {2026}
}