CTSMatch：面向中国传统聚落建筑遗产分类与风格谱系的半监督AI方法

完整中文导读

研究提出CTSMatch半监督框架，将ImageNet预训练的EfficientNetV2骨干与基于SoftMatch的自适应伪标签加权结合，用于中国传统聚落建筑风格的大规模分类，以降低对专家标注的依赖。

论文资料与摘要整理

整理依据：原始摘要与元数据；未据此展示论文全文

Semi-Supervised AI for Architectural Heritage Classification and Style Lineage Discovery in Chinese Traditional Settlements

作者：Qing Han；Zicheng Wang；Chao Yin；Zhiwei Hou；Tianci Yao
刊物：ISPRS International Journal of Geo-Information
出版时间：2026-05-20
DOI：10.3390/ijgi15050221

研究方法

提出CTSMatch半监督框架，结合ImageNet预训练的EfficientNetV2骨干与基于SoftMatch的自适应伪标签加权；构建在原始CTS基础上新增4360张无标注图像的SemiCTS数据集

研究对象

中国传统聚落建筑风格的大规模分类与风格谱系分析

主要发现

仅用545个标注样本，CTSMatch在SemiCTS上达到96.93%准确率，比最强全监督基线Dense-TL-Aug高2.73个百分点，比FixMatch和FreeMatch高3.06个百分点；风格谱系呈北方（京、晋、苏）与南方（川、闽、皖）两大区域聚类，以渐变过渡相连；约15%样本为非典型个案，含8.7%地域变体和6.3%混合形态

材料局限

材料未提供

中文整理

作者 / 来源：Qing Han; Zicheng Wang; Chao Yin; Zhiwei Hou; Tianci Yao · 原文时间：2026年5月20日 08:00（北京时间）

原作者信息要点

论文题目为 Semi-Supervised AI for Architectural Heritage Classification and Style Lineage Discovery in Chinese Traditional Settlements，作者为 Qing Han、Zicheng Wang、Chao Yin、Zhiwei Hou、Tianci Yao，发表于 ISPRS International Journal of Geo-Information，DOI 为 10.3390/ijgi15050221，出版日期标注为 2026-05-20。以下内容依据论文摘要与元数据，并非全文。

作者指出，中国传统聚落建筑风格的大规模分类对遗产保护与地理空间记录具有意义，但可扩展部署受制于专家标注成本高：村落分布广、影像视角异质、各建筑传统类内差异大。

作者提出 CTSMatch，一种标签高效的半监督框架，将 ImageNet 预训练的 EfficientNetV2 骨干网络与基于 SoftMatch 的自适应伪标签加权相结合，使模糊但信息量大的无标注样本仍可参与训练，从而降低对昂贵专家标注的依赖。

作者构建 SemiCTS，作为原 CTS 数据集的扩展，新增 4360 张无标注图像。作者称，仅使用 545 个标注样本，CTSMatch 在 SemiCTS 上达到 96.93% 准确率，比最强全监督基线 Dense-TL-Aug 高 2.73 个百分点，比两个标准半监督基线 FixMatch 与 FreeMatch 高 3.06 个百分点。

在分类之外，作者分析特征空间，通过风格内异质性、风格间过渡与离群检测考察风格谱系。作者称结果呈现两个较大区域分组：北方聚类（Jing、Jin、Su）与南方聚类（Chuan、Min、Wan），二者由渐变过渡连接而非刚性边界。约 15% 样本被识别为非典型案例，其中 8.7% 为区域变体，6.3% 为混合形式。

作者总结称，这些发现表明 CTSMatch 为建筑遗产分类提供了实用的标签高效框架，同时支持对中国传统聚落风格分化与趋同的可解释分析。

本站整理与观察

本站整理：上述准确率、百分点差距、样本数量、比例与聚类名称均来自作者摘要陈述，尚未经本站独立复核；论文全文、实验设置、数据划分与统计方法未在材料中提供。

本站观察：该工作将半监督学习用于中国传统聚落建筑风格分类，并以特征空间分析延伸至风格谱系讨论，其核心卖点在于以较少标注样本降低专家成本。

本站观察：摘要同时给出分类性能与风格谱系两类结论，但材料未说明风格谱系分析是否与分类任务共享同一特征表示、离群判定阈值如何设定，以及 15% 非典型样本的人工验证方式。

本站观察：北方与南方两个聚类的划分依据、Jing、Jin、Su、Chuan、Min、Wan 的具体所指与样本分布，材料中未展开，需查阅全文确认。

本站观察：由于仅有摘要与元数据，无法判断 SemiCTS 相对原 CTS 的类别体系、图像来源与标注质量控制，也无法评估 96.93% 准确率在不同聚落或视角下的泛化表现。

本整理仅依据论文摘要与元数据，未获取全文、补充材料、代码或数据集；作者声称的实验结果、聚类结构与比例均未独立验证。材料未提供基线细节、训练配置、统计显著性、伦理与许可信息，因此不能据此推断方法在真实遗产保护场景中的可部署性或结论稳健性。