本小组成员张天睿同学的论文《CTCNet: A CNN-Transformer Dual Branch Network for Sand Dune Image Segmentation》被国际权威期刊《IEEE Transactions on Geoscience and Remote Sensing》接收并发表！

沙丘是由沙子或其他细颗粒沉积物在风沙作用的影响下形成的堆积体，广泛分布在世界各地。沙丘分类作为风沙地貌研究的重要内容，实现沙丘类型的准确识别有助于对沙漠生态系统实现高效的管理。

为了更好地实现沙丘形态的分类，我们提出了一种基于CNN和Transformer的双分支沙丘识别网络CTCNet。在编码器部分，使用双分支结构分别捕获局部特征和全局特征，通过特征融合模块将局部特征和全局特征融合；在解码器阶段，通过跳跃连接的方式将前一步的结果和来自编码器的结果进行聚合，避免信息的丢失，从而提升分割精度。其具体结构如1所示。

该模型中的卷积注意力模块用于捕获CNN分支的局部特征，通过调整注意力提取顺序、使用归一化和线性层等操作减少关注区域以外的影响，进一步聚焦于重要的变化区域，增强模型捕获细节信息的能力。特征融合模块将CNN分支获取的局部特征和Transformer分支获取的全局特征融合在一起，通过将双分支每一步输出的相同分辨率特征进行融合，获取更加丰富的特征信息。

CTCNet在中国沙漠数据集上的PA、MIoU和F1分数分别取得了89.66%、82.29%和89.89；在雷吉斯坦-卡兰沙漠数据集上的PA、MIoU和F1分数分别取得了91.24%、81.21%和89.49。相较于其他模型，CTCNet均取得了较优的结果，证明该模型在沙丘分类识别任务中优于现有的网络。

原文链接： https://ieeexplore.ieee.org/document/10972008

( 发布日期: 2025-04-21 )