本小组成员李艳、时玥等同学的论文《Dunes identification based on attention mechanism with Dual-branch codec》被国际权威期刊《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》接收并发表。

沙丘形态类型识别研究对于掌握沙漠地貌并予以治理具有重要意义，基于深度学习的沙丘形态类型识别研究仍存在不足，为了更好地监测和防治沙漠化，本文以腾格里沙漠为研究区域，基于深度学习对其沙丘形态类型进行提取识别。

我们提出了基于注意力机制的双分支编解码沙丘形态类型识别模型（DBCANet），双分支结构中过完备和欠完备网络则能够同时兼顾小感受野与大感受野。编解码器混合模块使得双分支网络中深层全局信息与浅层细节信息进行交互以获取更丰富的特征信息。其中，使用多尺度混合注意力模块提取深层特征，采用轻量级上采样算子实现特征重组并减少网络参数量。

为了验证我们提出的DBCANet模型在沙丘形态类型识别任务中的有效性，将其与现有的先进语义分割模型进行对比。基于Landsat-8数据集不同算法识别性能对比的可视化结果如图2所示，

DBCANet以其双分支编解码器的结构实现了更为精细的提取特征信息，同时网络中运用多尺度混合注意力机制，使网络更加专注于重要特征信息。网络学习到的不同特征信息通过编解码融合模块与基于深度学习的上采样模块进一步交互，有效地提升了沙丘形态类型的识别效果。

原文链接： https://ieeexplore.ieee.org/document/10962321

( 发布日期: 2025-04-10 )