本小组成员高雄同学的学术论文《HA-Net: A Lake Water Body Extraction Network Based on Hybrid-scale Attention and Transfer Learning》被国际知名期刊《Remote sensing》接收并发表！

湖泊水体提取在灾害探测、资源利用和碳循环等方面具有重要意义。全球变暖加速了冰川融化和冻土退化，在过去30年里，大部分湖泊都在扩张，有研究表明青藏高原湖泊面积以0.83%/年的速度扩张。盐湖的溢出不仅造成了陆地和淡水湖的污染，破坏了生态环境，而且也会扰乱了居民正常的生活。

在之前的研究中，我们使用了带深度可分离卷积的ResNet-101作为特征编码器，并设计多尺度密集连接特征提取器来扩大卷积核的感受野并保留小水体的特征，但是其训练时间较长，经过实验研究我们发现带预训练的权重的浅层编码器和特征金字塔网络的结合也可以充分提取水体特征，这大大降低了训练的时间，并使用混合尺度注意力机制模块有效的对前景信息进行加权，来提出一个轻量化的水体提取网络，名为HA-Net，其具体结构如图1所示。

该模型在双支编码器阶段将深层特征图的语义信息和浅层特征图的空间信息进行充分的融合，来提高湖泊边界提取的准确率。在计算机视觉领域，注意力机制利用有限的注意资源快速地从图像中提取出需要突出显示的区域，并根据湖泊的多尺度变化问题提出了混合尺度注意力块，如图2所示，能够对双支编码器生成的特征图进行自适应加权，以抑制背景信息。在解码器阶段，利用PixelShuffle上采样取代传统的双线性插值上采样和反卷积上采样，并将边界优化模块建模为密集连接块，来尽可能提高边界准确率，其结构如图3所示。

HA-Net在谷歌数据集上的OA和MIoU分别取得了98.88%和97.38%，并将从谷歌数据集上获得的权重直接迁移到Landsat-8数据集上，OA和MIoU分别是97.28%和94.15%，相对于用于自然图像分割的DeepLab 3+ 和PSPNet，用于医学图像分割的Unet，以及用于遥感图像水体提取的MSLWENet、MWEN和SR-segnet，HA-Net均取得了最优的结果，证明该模型在不同类型的数据集之间迁移时具有较强的鲁棒性。

原文链接：https://www.mdpi.com/2072-4292/13/20/4121

( 发布日期: 2021-10-14 )