计算机科学与探索

作者：周珂, 常然然, 徐西志, 苗茹, 张广雨, 王嘉茜

单位：1. 河南大学 计算机与信息工程学院，河南 开封 4750042. 河南省空间信息处理工程研究中心，河南 开封 4750043. 河南省时空大数据技术创新中心，郑州 4500464. 河南九域腾龙信息工程有限公司 信息事业部，郑州 450052

关键词：水体提取,ConvNeXt,高分辨率遥感影像,特征融合,双特征提取分支结构

基金：高分辨率对地观测系统国家科技重大专项（80-Y50G19-9001-22/23）；河南省科技攻关项目（222102210061）；河南省科技智库重点项目（HNKJZK-2024-08A）；河南省科技攻关项目（242102210027）；河南省软科学重点项目（242400411036）。

由于复杂的光谱混合物、地物边界模糊、环境噪声等因素的共同作用，从高分辨率遥感图像中准确识别水体边界极具挑战性。针对此问题，在PSPNet的基础上提出基于ConvNeXt与双特征提取分支的水体提取方法（CoNFM-Net）。在编码器阶段，以ConvNeXt代替ResNet50作为主干网络，利用逆瓶颈层、大卷积核等设计来增强网络的特征提取能力。在解码器阶段，设计了多尺度特征融合和上下文信息增强的双特征提取分支结构，多尺度特征融合分支为有效利用主干网络产生的多层次特征图，设计了一种双向特征融合模块（BiFFM），以解决边界识别中尺度不一致的问题；上下文信息增强分支为提高全局信息的利用率，将主干网络输出的深层特征图通过全局上下文信息获取模块（GCIM）。同时，将经过多尺度特征融合分支的最深层特征图与其进行拼接，增强模型对水体边界细节的捕捉能力。实验结果表明，该方法在LoveDA数据集、高分二号（GF-2）数据集及Sentinel-2数据集上的平均交并比和F1分数分别为89.64%、94.32%，92.60%、96.16%及93.72%、96.73%，且在同样环境下，与U-Net、DANet、CMTFNet等语义分割算法相比，该算法CoNFM-Net具有一定优势。

来源：2025年第5期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第5期