UniEvo-RS：具有代表性示例驱动原型演化的全方位提示统一遥感分割

提示驱动的视觉语言模型 (VLM) 在加速密集遥感 (RS) 注释方面具有巨大的前景，但静态模型在部署在新场景、看不见的类别或视觉混乱的背景上时会遭受严重的性能下降。此外，现有的统一范例主要依赖于图像内的特定提示，缺乏灵活的任务路由来适应多意图的操作工作流程。在实际的批量映射中，注释器通常在处理大型数据集之前细化一小组代表性样本。受这种实践的启发，我们提出了 UniEvo-RS，这是一种全方位提示的统一 RS 分割框架，配备了代表性的范例驱动的原型演化。首先，我们构建了一个多指令提示数据集，将文本驱动和视觉驱动的提示统一在一个架构中，为高度多样化的 RS 注释场景建立动态任务路由机制。其次，我们介绍了一种具有代表性的反馈驱动的无需训练原型演化机制。通过将手动注释与样本的初始预测进行对比，UniEvo-RS 将预测误差提炼为正原型和负原型。这些原型增强了 LLM 查询召回率并抑制固定预算聚类内存下的空间背景噪声。大量实验表明，UniEvo-RS 统一了不同的提示任务，在大多数设置中实现了最先进的性能。至关重要的是，通过对几个示例进行最少的交互，它可以实现 无需训练，即在批量注释过程中对未见过的类别的逐步准确性增强。