SLUM-i：用于非正式聚落城市映射的半监督学习及数据质量基准测试

快速的城市扩张推动了低和中等收入国家主要城市中非正式聚落的增长，巴勒武尔和卡卡奇（巴基斯坦）以及孟买（印度）是其中最突出的例子。然而，这些聚落的大规模制图受到标注稀缺和数据质量问题的严峻制约，具体而言是正式和非正式结构在光谱上的高混淆以及显著的标注噪声。我们通过从头构建巴勒武尔的基准数据集，以及源自经验证行政边界的数据集（卡卡奇和孟买），总计覆盖1,869 km²面积来应对这一挑战。为评估框架的全球鲁棒性，我们将实验扩展到五个额外的已建立基准，涵盖三个大陆上的八个城市，并对所有数据集进行全面的数据质量评估。我们还提出了一种新的半监督分割框架，以缓解标准半监督学习管道中固有的类别不平衡和特征退化问题。该方法集成了Class-Aware Adaptive Thresholding机制，通过动态调整置信度阈值防止少数类被抑制，以及Prototype Bank System通过锚定历史学习的高保真特征表示来强制语义一致性。跨三个大陆、总计八个城市的广泛实验表明，我们的方法在SOTA半监督基线上均表现优异。最突出的是，我们的方法展现出卓越的域迁移能力，即仅使用10%的源标签，在未见的地理区域即可达到0.461的mIoU，并优于完全监督模型的零样本泛化能力。