陈伟涛团队在IEEE TGRSG在线发表论文A Fine-Grained Genetic Landform Classification Network Based on Multimodal Feature-Extraction and Regional Geological Context

细粒度成因地貌遥感智能解译框架

近日，地球科学和遥感领域顶级期刊《IEEE Transactions on Geoscience and Remote Sensing（IEEE TGRS）》在线刊发了我校计算机学院“地学+人工智能遥感”学科交叉研究论文——A Fine-Grained Genetic Landform Classification Network Based on Multimodal Feature-Extraction and Regional Geological Context。论文第一作者为计算机学院博士生欧阳淑冰，通讯作者为陈伟涛教授。

地貌分类解译在全球或区域气候变化、区域地质、环境保护与灾害监测、农林业和水资源规划、工程建设、国防建设等领域具有重要的应用价值。在复杂地质环境下，如何利用遥感影像快速进行地貌自动分类是当前热门的研究方向之一。在现有的成因地貌遥感解译中，特别是以细粒度为代表的地貌遥感智能解译仍存在尚待解决的技术难题，例如面向地貌特征的深度特征提取方法缺失，传统计算机视觉为代表的特征表征度量方法没有考虑地貌本身的地学内涵及区域地质背景特性。

针对上述问题，该论文提出了一种基于地质背景的深度学习多模态遥感地貌智能解译框架(GCMENET)。首先，针对地貌特征提取能力不强的问题，设计了不带归一化层（Batchnorm2d）的密集连接卷积网络（DenseNet121）为多分支特征提取网络，保护了多模态地貌遥感敏感特征的数据分布和空间对齐性，同时提升了地貌特征的提取能力。其次，考虑到地质背景的控制作用，设计相似度度量的方法从地质背景中提取与目标场景地貌相似的特征，利用这个特征能使网络更准确地识别在同一区域地质背景下的地貌场景对象。最后，由于多模态地貌遥感敏感特征和背景特征的融合会带来冗余信息，故采用通道注意力机制优化特征融合网络，提取地貌遥感敏感特征组合，并减少过拟合的风险。论文在该团队构建的细粒度地貌数据集上进行了实验，相对于最新主流的算法，GCMENET模型表现最佳，说明了论文构建的GCMENET网络在细粒度地貌场景识别的优越性。

论文提出的GCMENET 网络架构图

IEEE TGRS是地球科学和遥感领域的顶级期刊之一，是IEEE地球科学与遥感技术协会（GRSS）会刊，在遥感技术和地球科学领域具有较高影响力，最新影响因子为8.125。

该研究得到国家自然科学基金项目（41925007）和湖北省重点研发计划项目（No. 2021BID009）的联合资助。

论文信息：Title: A Fine-Grained Genetic Landform Classification Network Based on Multimodal Feature-Extraction and Regional Geological Context

Authors: Shubing Ouyang, Jiahui Xu, Weitao Chen*, Yusen Dong, Xianju Li, and Jun Li

Source: IEEE Transactions on Geoscience and Remote Sensing

DOI: 10.1109/TGRS.2022.3203606

Available online: 02 September 2022

论文链接: https://ieeexplore.ieee.org/document/9874896

数据集链接: https://drive.google.com/open?id=1-4FN4sZuGHcWDtElzha2JZ-zsuBLdD92&authuser=ouyangcug%40gmail.com&usp=drive_fs