RAPF：融合感知与推理的开放域植物分割新框架

RAPF（Reasoning-Aware Perceptual Framework）框架通过CLIP-DINOv2特征融合、HQ-SAM掩码生成与Dempster-Shafer证据推理，实现对已知和未知植物物种的可靠识别，为开放域视觉理解提供闭环感知-推理新范式。该框架解决了传统方法在开放集场景下过度自信误判的问题，结合现代基础模型与经典推理理论，提升模型可靠性与可解释性。

野外植物识别面临自然环境复杂、光照不稳定、形态差异大等问题，更关键的是开放集识别场景要求模型能准确分类已知物种并可靠识别未知样本。传统深度学习模型在封闭训练集优化，缺乏"我不知道"的认知表达，遇分布外样本易过度自信误判。

RAPF采用三阶段设计：1.多模态特征融合：结合CLIP语义理解与DINOv2自监督视觉表征，捕捉高层语义与细粒度特征；2.高质量掩码生成：用HQ-SAM生成精确物体掩码，提升边缘细节处理；3.证据推理：引入Dempster-Shafer机制，整合多证据源、建模不确定性与未知状态。框架还采用闭环感知-推理结构，感知与推理模块迭代精化，模仿人类认知过程动态调整观察策略。

RAPF在多场景展现优势：1.生态调查：自动分析野外图像，标注已知物种并标记可疑样本，提升生物多样性调查效率；2.智能农业：区分作物与杂草，识别未知入侵物种触发人工检查；3.教育科普：为自然教育App提供可靠识别 backend，诚实告知用户何时需专家帮助。

RAPF为开放域视觉理解提供参考，展示现代基础模型（CLIP、DINOv2、SAM）与经典AI理论结合的价值。"感知+推理"范式可应用于野生动物识别、医学影像分析等开放域问题。对可信AI而言，显式建模不确定性可提升模型可靠性与可解释性，为未来研究提供方向。