关键词： 遥感影像   语义分割   语义引导   特征融合   双分支网络   自监督学习模型  

摘要： 遥感语义分割在自然资源动态监管、土地利用及城市规划等领域发挥着关键作用。然而，针对遥感影像尺度变化大、背景复杂等特性，现有研究虽聚焦于构建双分支架构来兼顾全局上下文与局部细节，但其特征聚合过程多局限于静态拼接或常规注意力机制的单向传递。此类特征交互机制难以实现全局语义与局部细节的动态融合，导致分割结果存在边界模糊与语义判别失真等问题。为此，本文提出了一种双分支语义引导动态融合模型SGDF-Net（semantic guided dynamic fusion network）。该模型构建了语义与空间细节双分支架构。语义分支引入冻结的自监督视觉模型DINOv3提取语义特征，经跨层语义特征融合模块聚合多层语义表征；进而通过语义引导细节特征融合模块，利用高层语义生成门控权重，对空间细节特征进行语义感知的动态增强。在Vaihingen和LoveDA公开数据集上的实验结果表明，SGDF-Net的平均交并比（mean intersection over union，mIoU）分别达到75.21%和54.19%，F1分数分别为0.8466和0.6948，整体分割性能优于LOGCAN++、UNetformer等现有先进方法。该模型有效提升了易混淆地物的判别能力，在LoveDA数据集上，SGDF-Net在耕地与裸地类别上的IoU较LOGCAN++分别提升11.5%和9.76%；在Vaihingen数据集上，不透表面与背景的F1分数分别达到0.9629和0.5886，均为所有对比方法中最高，缓解了复杂场景下的语义混淆与边缘模糊问题。

关键词： 高分辨率遥感影像   语义分割   注意力机制   多尺度特征融合   地物感知  

摘要： 高分辨率遥感图像中地物类别繁多、形态复杂，导致出现目标提取不完整、边界分割不精细及焦点聚集不准确等问题。为此，本文提出一种用于复杂场景遥感分割多尺度上下文聚合网络——MACNet。本研究以ResNet18为编码器，设计了地物感知注意模块（GOPM），强化了遥感图像中空间结构与通道特征的协同建模。结合尺度感知融合模块（SFM）提取遥感图像的多尺度特征并融合跨层信息，提高模型对不同尺度地物的识别能力。同时，构建焦点增强模块（FEM），融合局部结构与全局语义，增强模型对低矮植被等复杂目标细节的特征表达能力。在Potsdam和Vaihingen数据集上的实验表明，MACNet与目前先进模型相比，在mIoU、Accuracy和mPA指标上取得最佳结果，验证了其有效性与泛化能力。

关键词： 高分辨率遥感影像   建筑物提取   全局和局部特征   多尺度特征融合   注意力机制  

摘要： 现有方法兼顾捕捉全局语义与局部细节特征的能力不足,导致复杂场景下出现建筑物信息的漏检、误检问题,为此提出基于BuildFormer的双分支特征融合与相互增强网络(DFFME-Net).引入VGG13骨干网络来提取局部特征,设计多尺度全局局部特征融合方法(MGLFF)将双分支各阶段特征融合,获得丰富的特征表示.为了打破双分支独立状态,实现2个分支互相促进特征提取,提出双分支特征融合模块(DFM).为了增强模型对感兴趣区域的关注度,在DFM中引入通道优先卷积注意力机制(CPCA),实现增强特征表征和动态分配注意力权重.为了验证所提网络的有效性和适用性,在WHU和Massachusetts建筑数据集上进行实验.在WHU测试集上DFFME-Net的交并比和F1分数分别为91.81%和95.73%,在Massachusetts测试集上分别为77.01%和87.01%,网络性能优于一些先进模型.结果表明,在高分辨率遥感影像建筑物提取领域中,所提网络具有良好的工程应用价值.

关键词： 海草   Sentinel-2遥感监测   特征融合   分类技术   时空分布变化   印度尼西亚Manado地区  

摘要： 海草具有极高的生态价值。为揭示典型热带海域海草床的动态分布规律,本研究以印度尼西亚Manado海域为研究区,基于Sentinel-2 L2A级多光谱影像卫星数据,构建了融合时序特征的综合数据集。通过时空滤波、云掩膜、光谱指数计算等预处理,结合海草像元的光谱响应特征,采用分类技术实现海草床分布的高精度提取与动态监测。在分类过程中,首先采用递归特征消除(recursive feature elimination, RFE)方法对特征指数进行优化筛选,进而运用轻量级梯度提升机(light gradient boosting machine, LightGBM)实现海草床的精确分类。实验结果表明:基于本文方法提取研究区海草床分布信息的精度较高,研究区海草床面积在2020—2025年间有一定程度波动(变幅<13%),海草生态系统总体稳定。本研究验证了采用光学卫星遥感影像分类技术在复杂滨海环境下开展海草床监测的可行性和有效性,为热带海域海草生态系统保护与蓝碳资源管理提供科学支撑。

关键词： 水体提取   水体指数   悬浮泥沙指数   遥感影像   缓冲区   Otsu算法  

摘要： 针对传统遥感方法提取沙漠地区水体时混合像元和边界模糊导致精度不足的问题,本研究提出一种融合归一化悬浮泥沙指数(Normalized Suspended Material Index,NSMI)与水体多指数协同方法(Multi-Index Collaborative Water Extraction,MICWE)的沙漠水体提取模型(Multi-Index Collaborative Water Extraction with Normalized Suspended Material Index,MICWE-NSMI)。以乌兰布和沙漠为试验区,选取2020年Landsat 8 OLI影像,通过Google Earth Engine平台完成去云、辐射定标、大气校正、最大值合成及指数计算。在MICWE提取水体边界的基础上,构建30 m缓冲区,并在缓冲区内融合反向NSMI与Otsu阈值分割精细识别水体。与Sentinel-2影像对比验证表明,MICWE-NSMI显著提升了高浑浊水体识别、狭窄支流和流动水体的边界完整性与连通性,总体精度为93.7%,Kappa系数为0.82。与传统指数法、ResUNet深度学习模型及欧洲联合研究中心(Joint Research Centre,JRC)全球地表水数据集相比,该方法在沙漠腹地湖泊、灌区支流及黄河河道等复杂场景下有效减少了水体断裂与误判。研究通过结合悬浮泥沙空间异质性信息,拓展了高浑浊、破碎化、狭窄及动态水体的遥感识别方法,为干旱区水体提取提供了新的技术路径。

关键词： 遥感图像配准   几何感知   跨层特征增强   双向匹配   仿射变换  

摘要： 针对遥感图像在弱纹理、复杂几何畸变等条件下配准精度不足的问题,本文提出一种融合几何感知自适应注意力与跨层特征增强的配准算法。首先,在特征提取阶段构建改进的Swin Transformer网络,通过设计几何感知自适应注意力,增强特征提取的结构感知能力;接着,提出跨层特征增强模块,通过整合低层细节特征与高层语义信息,提升弱纹理区域的多尺度特征判别能力;最后,在匹配阶段设计残差引导相关性增强的双向匹配策略,通过双向一致性约束联合优化密集对应关系,从而提高配准参数回归的稳定性。在Aerial Image等数据集上的实验结果表明,关键点正确估计的比例系数在0.05、0.03和0.01的情况下,所提方法的配准精度相较于基线方法分别提升了39.5%、53.7%和33.0%,且平均配准时间仅为1.03秒,表明该方法在提升配准精度的同时兼顾了计算效率。

关键词： 遥感影像   实例分割   YOLOv8-seg   原型掩码   多尺度特征融合  

摘要： 随着遥感技术的飞速发展,高分辨率遥感影像已成为获取地表信息的重要手段,其丰富的细节信息为城市规划、农业监测、灾害评估等应用提供了坚实的数据基础。然而,影像中地物类别复杂、边界模糊、阴影干扰以及“同类地物光谱异质、异类地物光谱同质”等问题,给自动化、高精度的图像解译带来了巨大挑战。针对高分辨率遥感影像在地物类别复杂、边界模糊、阴影干扰及小目标检测等方面存在的挑战,传统语义分割方法在精度与效率上难以兼顾。本文引入并深入研究了YOLOv8-seg实例分割模型,该模型基于“主干-颈部-头部”三段式架构,通过C2f模块、FPN+PAN特征融合与解耦头设计,实现了高效特征提取与多尺度信息融合。

关键词： 遥感影像   多头自注意力   可变形交互注意力   建筑物提取  

摘要： 针对高分辨率遥感影像中建筑物背景复杂、形态多样导致的漏提、错提与边缘模糊等问题,提出了一种基于多尺度注意力CNN与Transformer融合的遥感影像建筑物提取网络模型。该模型以MSPANet-50作为骨干,增强多尺度上下文表征能力;在解码器中设计多尺度边缘感知多头自注意力模块,实现不同尺度语义与边缘特征的精准提取;在跳跃连接中引入极化自注意力模块,高效聚合语义与细节特征;并设计多注意力协同融合模块,通过可变形交互注意力与通道-空间双重注意力协同优化,实现上下文、多尺度与边缘特征的动态融合。实验结果表明,在中国典型城市建筑物实例数据集和Inria数据集上分别获得75.84%与77.38%的IoU,F1 值分别为 86.27% 和 87.26%,与主流方法相比显著提升了建筑物提取的精度、泛化性和边界识别能力。

关键词： 多模态融合   遥感图像   语义分割   无监督域适应  

摘要： 多模态遥感图像因其异质特征的跨模态信息互补性,相比单模态信息在遥感场景解析中能提供更丰富的信息,但获取有标注的多模态遥感图像需要大量人工成本,因此急需对多模态遥感图像的跨域分割方法进行研究。为了进一步增强视觉基础模型的跨域适应能力与针对多数基础模型预训练模态单一的问题,本文提出了基础模型低秩适应与域适应的多模态分割网络(Multimodal Low-rank Domain Adaptation Network,MLDANet)。在该网络中,用于域适应的低秩适应(Domain-Adaptive Low-Rank Adaptation,DALoRA)在域对抗训练时通过两个低秩矩阵分别进行不同域的适应,以更少的训练成本提高网络的适应性,提高网络的特征提取能力。另外,所提出的特征差异引导的注入器(Modality Difference-guided Injector,MDI),以特征差异为基准,借助注意力机制计算差异权重,为基础模型注入更有助于跨域分割的额外模态信息,通过模态特征差异融合的方式,使基础模型具备预训练中缺失的多模态表征能力。对比实验结果表明,MLDANet在Potsdam_RGB迁移至Vaigingen对比实验中,相对于当前跨域分割方法的最优指标,平均交并比(mean Intersection over Union,mIoU)高出1.93%,平均F1分数高出1.75%,总体精度高出4.69%;而在另外两组跨域对比实验中,mIoU分别比当前最优方法高出了2.54%和1.14%,分割表现均优于当前最先进的算法。而消融实验结果说明DALoRA提高了模型的跨域适应能力与MDI增强了模型的多模态融合能力,进而增强了MLDANet在目标域图像无标签情况下的多模态遥感图像分割能力。

关键词： 遥感影像分割   全局局部多尺度特征融合   门控卷积注意力机制   滑动上采样   空间细节恢复  

摘要： 针对当前遥感影像分割任务中存在的多尺度特征融合不充分、全局-局部上下文信息交互不足以及传统上采样方法导致的空间细节丢失等问题,提出一种基于多尺度门控特征融合与动态滑动上采样的遥感影像分割方法(multi-scale gated feature fusion and dynamic sliding upsampling Deeplab,MSGFF-DSU-Deeplab)。DeeplabV3+为基线模型,首先,构建了多尺度全局-局部特征聚合模块(multi scale global local feature aggregation module,MGLFAM),通过全局混合操作与局部混合操作,结合门控注意力机制,实现多层特征的动态加权融合,显著提升了关键区域的特征表达能力;其次,设计和实现了门控卷积注意力特征增强模块(gated convolutional attention fusion module,GCAFM),通过将卷积注意力与门控线性单元相结合,使网络能够自适应聚焦于语义关键区域,有效增强了边缘特征与小尺度目标的表征能力;最后,提出了动态滑动上采样模块(sliding effective upsampling module,SEUM),通过深度可分离卷积与定向通道移位策略的协同优化,显著提升了分辨率重建质量,突破了传统线性插值方法在空间细节恢复方面的性能瓶颈。在WHU-Building与Vaihingen两个高分辨率遥感影像数据集上进行了实验验证,结果表明,所提方法在各种评价指标上均显著优于主流分割方法,其中在WHU-Building数据集上取得90.59%的平均交并比(mean intersection over union,mIoU),在Vaihingen数据集上达到81.42%的mIoU,较基线模型DeeplabV3+均提升约1百分点,更重要的是在保持计算效率的同时,显著改善了边缘细节的识别精度,对小尺度建筑物和复杂地物边界的分割效果尤为突出。所提方法不仅提升了遥感影像的分割性能,还增强了模型对不同场景的适应能力,为高精度遥感影像分析提供了新的技术思路。