BGDNet: a boundary-guided deformable network for accurate farmland parcel segmentation in high-resolution remote sensing imagery

针对高分辨率遥感影像中农田地块形状复杂、边界模糊以及相邻地块间频繁粘连等问题，本研究提出了一种边界引导与可变形卷积协同驱动的农田分割网络BGDNet。首先，在编码器中引入可变形卷积（DCN），增强模型对不规则农田几何形状的自适应表征能力。其次，构建多尺度注意力模块（MSAM）和特征增强模块（FEM），分别用于多尺度上下文聚合和跨层特征校准，从而提升复杂场景下的语义表征能力。在此基础上，提出边界引导动态融合模块（BGDF），通过边界分支与语义分支的协同学习生成空间门控权重，使边界信息能够动态约束解码器特征，从而缓解地块粘连问题并提高边界定位精度。在FGFD数据集上的实验结果表明，BGDNet的IoU达到85.57%，F1分数达到92.22%，在分割精度、边界完整性和视觉一致性方面优于多种主流语义分割模型。定性可视化与消融实验验证了各模块的有效性及其协同贡献。所提方法为复杂地形条件下的高精度农田提取提供了有效解决方案，并为农业资源调查、耕地监测和智慧农业管理提供了技术支撑。