分类学引导树状提示网络

少样本遥感场景分类

一种利用分类学知识引导的树状结构提示学习方法，通过根节点定义宏观语义边界、子节点捕捉共享类内特征，增强少样本遥感场景分类的类间可分性并减少类内变异。

Yufei, Zheng · 王生生 · Yansheng, Gao · 刘东

ISPRS Journal of Photogrammetry and Remote Sensing 2026

技术优势

类间可分性增强

根节点定义宏观语义边界，从语义层面拉开相似类别之间的距离，缓解遥感场景中普遍存在的类间高相似性问题。

类内变异减小

子节点捕捉共享的类内特征，抑制同一类别内部因空间布局和地物分布差异造成的特征漂移。

防止语义漂移

训练过程中将分类学感知特征与可学习提示表征对齐，避免提示优化偏离原始视觉语言模型的语义空间。

应用场景

• 遥感图像分析：在标注样本稀缺时仍能准确识别复杂土地覆盖类型，提升遥感解译自动化程度。
• 少样本学习：利用树状语义先验增强极少样本下的类别判别，降低对大规模标注数据的依赖。
• 视觉语言模型：通过结构化提示微调视觉语言模型，使其适应遥感场景的细粒度语义差异。
• 地理空间智能：在少样本条件下提供可靠的场景分类结果，支撑快速地理空间信息提取与决策。