Delineate Anything v2: A Global Foundation Model for Field Delineation

📄 arXiv: 2607.19069v1 📥 PDF

作者: Mykola Lavreniuk, Nataliia Kussul, Andrii Shelestov, Yevhenii Salii, Volodymyr Kuzin, Charlotte Julia Li-Xing Wang, Zoltan Szantoi

分类: cs.CV

发布日期: 2026-07-21

🔗 代码/项目: GITHUB

💡 一句话要点

提出Delineate Anything v2以解决农业领域边界划分问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 农业边界划分 视觉基础模型 多分辨率数据集 拓扑适应 零-shot学习 环境监测 土地使用规划

📋 核心要点

  1. 现有视觉基础模型在农业领域边界划分中存在拓扑复杂性和物理尺度意识不足等挑战。
  2. 本文提出Delineate Anything v2，通过构建FBIS-73M数据集和引入数据整理管道，专门针对农业边界映射问题进行优化。
  3. 实验结果显示，Delineate Anything v2在mAP@0.5上相较于现有方法提升了0.284，且在快速部署方面表现优异。

📝 摘要（中文）

准确的农业领域边界划分是确保粮食安全、供应链透明和碳核算的基础任务。尽管现有的视觉基础模型如SAM在零-shot能力上表现出色，但在地理空间领域常因拓扑复杂性、农田纹理模式及缺乏物理尺度意识而失败。本文提出Delineate Anything v2，一个专门为广域农业边界映射设计的全球可扩展基础模型。我们构建了FBIS-73M，一个涵盖61个国家的7300万实例多分辨率数据集，并引入了一种基于拓扑图像空间适应的数据整理管道，以解决多领域行政区合并的问题。实验结果表明，Delineate Anything v2在性能上超越了当前最先进的方法，执行速度适合快速部署。

🔬 方法详解

问题定义：本文旨在解决农业领域边界划分的准确性问题，现有方法在处理复杂地理空间时常常失败，尤其是在拓扑和纹理方面的挑战。

核心思路：Delineate Anything v2通过构建一个专门针对农业领域的多分辨率数据集FBIS-73M，并引入拓扑图像空间适应的技术，来增强模型对复杂边界的识别能力。

技术框架：整体架构包括数据收集、数据整理、模型训练和评估四个主要模块。数据收集阶段构建FBIS-73M数据集，数据整理阶段通过分辨率特定的管道处理合并的行政区，模型训练阶段使用改进的网络结构进行训练，最后通过手动评估基准进行效果评估。

关键创新：最重要的创新在于引入了基于拓扑的图像空间适应技术，能够有效处理多领域合并问题，并增强物理边界的识别能力。这一方法在现有模型中尚属首次。

关键设计：在模型设计中，采用了多分辨率输入以适应不同尺度的农业边界，同时在损失函数中引入了针对边界识别的特定损失项，以提高模型的准确性和鲁棒性。实验中还优化了网络结构以提升执行速度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Delineate Anything v2在mAP@0.5上相较于现有最先进的方法提升了0.284，达到了103.3%的相对增益。此外，该模型在执行速度上表现优异，能够在5.4小时内完成603,000平方公里的全国范围映射，适合快速部署。

🎯 应用场景

该研究的潜在应用领域包括农业管理、土地使用规划和环境监测等。通过准确的边界划分，能够为政策制定者提供更好的数据支持，促进可持续农业发展，并提高粮食安全水平。未来，该模型的应用将有助于实现更高效的资源管理和环境保护。

📄 摘要（原文）

Accurate agricultural field boundary delineation at large scale is a foundational task for food security, supply chain transparency, and carbon accounting. While vision foundation models like SAM show remarkable zero-shot capabilities, they frequently fail in geospatial domains due to topological complexity, cropland texturing patterns, and a lack of physical scale awareness. In this work, we introduce Delineate Anything v2, a globally scalable foundation model designed specifically for wide-area field boundary mapping. We construct FBIS-73M, a 73-million-instance multi-resolution dataset spanning 61 countries. To address the pervasive issue of multi-field administrative parcel merging, we introduce a resolution-specific data curation pipeline that leverages topological image-space adaptation to homogenize merged parcels and strengthen weak physical boundaries. Furthermore, we establish a novel, manually curated evaluation benchmark covering 100 countries to assess independent zero-shot generalization. Our results show that Delineate Anything v2 surpasses the current state-of-the-art, including the Delineate Anything framework, by 0.284 mAP@0.5 (+103.3% relative gain), while maintaining execution speeds suitable for rapid national- and global-scale deployment, as demonstrated by nationwide mapping of Ukraine (603,000 km^2) in 5.4 hours on a consumer-grade workstation. Code, pre-trained weights, the FBIS-73M dataset, and ready-to-use national-scale vector boundary products are publicly available at https://github.com/Lavreniuk/Delineate-Anything.