Delineate Anything v2 用 7300 万实例数据集做全球农田边界识别
Mykola Lavreniuk · hf · 2026-07-22
Delineate Anything v2：面向全球农田边界识别的基础模型
这篇工作提出了 Delineate Anything v2，目标是做大规模农业地块边界划分。作者认为，像 SAM 这样的通用视觉基础模型在地理空间场景里常常失效，原因包括地块拓扑复杂、农作物纹理相似，以及模型缺乏对物理尺度的感知。
主要贡献
- 构建了 FBIS-73M：一个包含 7,300 万实例、覆盖 61 个国家的多分辨率数据集
- 提出一套数据清洗/整理流程，重点缓解多个地块在行政区切分中被合并的问题
- 建立了一个人工整理的 100 国 benchmark，用于测试零样本泛化能力
结果
- 相比前一版 Delineate Anything 框架，[email protected] 提升 0.284，相对提升 103.3%
- 在一台消费级工作站上，能在 5.4 小时内完成 乌克兰 603,000 km² 的全国级制图
作者同时公开了代码、预训练权重、数据集，以及可直接使用的国家级矢量边界产品。
「研究」频道最新
- Hamming 1995 年讲座追问数学为何如此有效 — melnykowycz · 2026-07-22
- Meta 发现：量化推理模型常在答对后又开始怀疑 — rohanpaul_ai · 2026-07-22
- 机器人操作要先会移动，再用标准化基准评测 — YuXiang_IRVL · 2026-07-22
- 综述梳理多模态 LLM 的弱项：看懂 meme 和漫画 — Tuo Liang · 2026-07-22
- BigMac 用嵌套流水线同时压住多模态训练显存和空泡 — 小红书技术REDtech · 2026-07-22
- Karpathy 提出后，四支团队独立做出 LLM Wiki 模式 — garrytan · 2026-07-22