SFR-Net：用于超大范围遥感图像分割的尺度-锥形表示学习
计算机视觉与模式识别
2026-05-26 v1
摘要
像素数量和地理覆盖范围是遥感图像的两个关键特征。现有的遥感图像分割方法通常侧重于像素数量较小或像素数量较大但地理覆盖范围有限的图像。本文提出一种新颖的分割任务，针对超大范围（UWA）遥感图像，特点是像素数量大且地理覆盖范围极广。UWA分割的核心挑战在于同时处理尺度差异大的地面对象，以及保持长程上下文语义连续性。为此，我们提出了尺度-锥形表示网络（SFR-Net）。灵感来自不同海拔高度捕获的遥感图像视锥体，我们构建尺度-锥形表示，实现对不同尺度下的地面对象和上下文特征的统一建模。此外，我们设计了级联跨尺度融合机制，有效整合这些表示，增强局部语义理解，同时确保长程上下文连续性。在 GID 和 FBPS 上的实验结果表明，SFR-Net 在分割性能上取得了 state-of-the-art 的成绩，分别相对于最强竞争方法提高了 1.72% 和 4.29%。此外，提出的尺度-锥形表示可以集成到通用分割网络中，以提高分割准确性和收敛速度。该实现代码将在 https://github.com/ChuyuZhong/SFR-Net 上公开。
引用
@article{arxiv.2605.25737,
title = {SFR-Net: Learning Scale-Frustum Representations for Ultra-Wide Area Remote Sensing Image Segmentation},
author = {Chuyu Zhong and Keyan Chen and Qinzhe Yang and Bowen Chen and Zhengxia Zou and Zhenwei Shi},
journal= {arXiv preprint arXiv:2605.25737},
year = {2026}
}