大皖新聞訊 城市地面下的空洞、裂縫和其他隱蔽災害如若未被及時發現，會存在一定的安全隱患。12月20日，大皖新聞記者從中國科學技術大學獲悉，地下異常探測的核心挑戰在于如何從結構復雜、邊界模糊的物理成像數據中，準確識別異常的位置與類型，該校陳歡歡、周熙人團隊，針對這一問題，提出了一種全新的地下異常檢測框架——Res-SAM，在無需提前訓練、無需人工標注的條件下，實現對探地雷達數據中地下異常區域的精準定位、分割與類型判別。 相關研究成果發表在《自然·通訊》上。

記者了解到，在探地雷達等物理成像數據分析場景中，成像信號在非均勻介質中的傳播往往呈現出明顯的局部波動特性，目標區域更多表現為連續變化的波動形態，而非清晰可辨的視覺邊界，難以直接映射為明確的目標輪廓結構。同時，真實應用環境中異常樣本相對稀缺、人工標注成本較高，進一步限制了深度學習方法在跨場景應用中的泛化能力。上述因素共同導致在實際檢測過程中普遍存在定位不完整、邊界不精確以及類型判定不穩定等問題。

圖：融合視覺與局部波動特征的異常檢測框架

針對上述挑戰，Res-SAM將通用視覺大模型的空間感知能力與刻畫局部動態變化的儲備池計算模型相結合。該框架首先利用視覺大模型快速定位可能存在異常的區域，再通過對局部變化特征的分析，對這些區域進行精細修正和判斷，從而提高識別的準確性和穩定性。

Res-SAM 不依賴大規模標注數據，也無需進行復雜、耗時的模型訓練過程，既可以全自動運行，也支持通過簡單點擊進行交互式輔助分析，在保障結果可信度的同時大幅降低了實際應用中的人力成本。在多種真實城市道路地下異常檢測任務中，Res-SAM表現出良好的穩定性和可靠性，能夠在復雜背景下穩定識別潛在風險區域。

上述研究提出了一種面向物理成像數據解析的跨模態特征融合建模新范式，并可有效推廣至醫療影像數據、遙感成像數據中，為多模態數據中目標的高效識別提供了可推廣、低訓練成本的技術路徑。

大皖新聞記者 魏鑫鑫（圖片來自中國科大）

編輯 張大為