近期，团队三名研究生：贾欣齐、魏新雨、杨倩倩，分别在《IET Computer Vision》《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》《Journal of Applied Remote Sensing》SCI期刊上发表学术论文。
1 贾欣齐同学在SCI期刊《IET Computer Vision》上发表论文
贾欣齐的学术论文《DEUFormer: High-Precision Semantic Segmentation for Urban Remote Sensing Images》在英国工程技术学会（IET）旗下的计算机视觉领域《Computer Vison》上发表。该论文对高精度城市遥感图像语义分割进行研究，提出了DEUFormer网络模型，为高精度城市遥感图像语义分割领域的研究和实际应用提供了新的可能性。我校为论文第一单位，硕士研究生贾欣齐为论文第一作者，宋晓勇、范光宇、程松林和陈年生等实验室老师为共同指导教师，饶蕾老师为论文的通讯作者。
链接地址：http://doi.org/10.1049/cvi2.12313
城市遥感图像的语义分割广泛应用于高分对地观测、城市建设规划、国土资源管理等场景。UNetFormer通过引入了 Transformer 的自注意机制对图像全局上下文建模，但由于其不能跨足图像的不同区域，导致对图像的不同区域之间的语义关系捕捉不足，因此存在分割精度低和边缘分割误差较大的问题。团队提出了一种DEUFormer，设计通道加权细化头模块（Enhanced Feature Refinement Head， E-FRH），对通道维度上的特征进行细致的重新加权，通过自适应特征融合，允许模型根据不同的特征图动态调整融合策略，更好地结合深层的语义信息和浅层的细节信息，从而缩小浅层特征与深层特征之间的语义差距，增强多尺度特征提取能力。同时，设计了边缘引导上下文模块（Edge Guided Context Module， EGCM），通过边缘检测增强图像边缘区域信息提取。通过这两个模块共同提高高精度城市遥感图像语义分割的精度。为DEUFormer在未来城市遥感图像分割任务中的应用提供了有力的支持。
2 魏新雨在遥感领域知名期刊《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》（JSTARS）发表SCI论文
电子信息学院机器人与智能技术研究团队题为“MLFMNet: A Multi-level Feature Mining Network for Semantic Segmentation on Aerial Images”的学术研究论文被遥感领域知名期刊《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》（JCR 1区，中科院2区TOP，影响因子4.7）录用。该研究成果以上海电机学院为第一单位，作者为魏新雨（在读研究生）、饶蕾老师（通讯）、范光宇老师、陈年生老师。
航空技术的飞速发展使得航空影像的获取手段更加多样化。航空影像对于评估城市发展、交通规划和基础设施建设至关重要，因此从航空影像中分析影像内容并得到关键目标信息成为当前的研究的一个热点。
在航空影像的解译中，图像语义分割是实现解译的关键技术之一。然而，由于航空图像的独特拍摄角度，准确分割对象存在显著挑战，包括对象尺度的变化、变形和小目标特征不清晰等问题。为了解决这些问题，论文提出了一种基于编码器-解码器架构的多级特征挖掘网络，称为MLFMNet，旨在挖掘和融合航空图像中的多级特征信息，以提高分割的准确性和鲁棒性。MLFMNet利用跳跃连接从编码器中获取多级的特征表示。随后，通过所提的解码器中的可学习融合模块（Learnable Fusion Module，LFM）和特征重建模块（Feature Reconstruction Module，FRM），逐步融合和重建这些特征，从而实现准确的语义分割。为了解决对象尺寸变化显著和变形的问题，论文在编码器底部设计了一个不规则金字塔感知场（Irregular Pyramid Receptive Field，IPRF）模块，以捕获来自多个特征向量的感知场，进一步挖掘抽象特征。此外，为了解决小型目标的分割和检测精度低的挑战，在解码器底部嵌入了一个细粒度特征挖掘（Fine-grained Feature Mining，FGFM）模块，以捕获空间细节特征。
为了验证MLFMNet系列的性能，论文在UAVid、LoveDA和Potsdam等三个航空遥感数据集上进行了实验，图像语义分割精度分别达到了70.8%、53.3%和87.7%的mIoU，高于UperNet等SOTA算法。文章研究成果可广泛应用于航空航天领域对地观测、城市土地规划、自然环境保护等场景。
论文地址：https://doi.org/10.1109/JSTARS.2024.3452250
3 杨倩倩同学在SCI期刊《Journal of Applied Remote Sensing》上发表论文
实验室团队学术论文“WatNet: A High-Precision Water Body Extraction Method in Remote Sensing Images under Complex Backgrounds”在遥感领域期刊《Journal of Applied Remote Sensing》（中科院4区）正式发表。该研究成果以上海电机学院为第一单位，，浙江大学为第二单位，作者为杨倩倩（在读研究生）、饶蕾老师（通讯）、范光宇老师、陈年生老师、程松林老师、宋晓勇老师和杨定裕老师。
在复杂背景下的航空遥感图像水体提取是环境监测、灾害管理和城市规划中的重要任务。尽管现有的遥感图像水体提取算法为水体监测提供了有力的工具，但在诸如植被遮盖、地形变化或云层干扰等复杂背景下仍存在无法提取细小水体、水体边缘缺失等问题。基于此，本文提出了一种名为WatNet的架构，以提升复杂环境下的水体提取精度。WatNet主要包括三个模块：Global Multi-Attention Fusion Module（GMAF）、Water Forward Network Module（WFN）和Edge Focus Attention Module（EFA）。GMAF模块通过多头自注意力和卷积注意力模块增强模型的全局信息获取能力，以提升水体整体特征提取效果。WFN模块结合深度可分离卷积和注意力机制以提高细小水体局部特征的捕捉能力。EFA模块通过精细化边缘检测，显著提高了水体边界的清晰度和准确性。
在LoveDA和、QTPL和WHDLD数据集上的实验显示，WatNet在整体准确率（OA）、F1分数和平均交并比（mIoU）方面均优于当前主流的方法。在LoveDA数据集上，WatNet的mIoU相较于次优方法提高了1.24%，在QTPL数据集上提高了0.4%，在WHDLD数据集上提高了0.52%。这些结果验证了WatNet在处理不同环境下水体提取任务时的有效性和鲁棒性。本研究成果可广泛应用于环境保护、城市规划、洪水控制和减灾等领域。
论文地址：https://doi.org/10.1117/1.JRS.18.044515
