简介:HyMambaNet:高效的远程传感取水方法,结合状态空间建模和多尺度特征
Handan Liu1, Guangyi Mu1, Kai Li2
1Laboratory of Applied Disaster Prevention in Water Conservation Engineering of Jilin Province, Changchun Institute of Technology, Changchun 130103, China.
Sensors (Basel, Switzerland)
|December 31, 2025
概括
一个新的深度学习模型,HyMambaNet,准确地从遥感图像中提取水体,改善水资源管理和生态监测. 这种混合方法提高了复杂水体特征的精度.
科学领域:
- 遥感 遥感 遥感 遥感
- 地理空间分析的研究.
- 人工智能的人工智能
背景情况:
- 准确的水体细分对于环境监测和资源管理至关重要.
- 挑战包括尺度变化,模糊的边界,以及遥感数据中的复杂背景.
- 现有的方法与小型和形态复杂的水特征作斗争.
研究的目的:
- 开发一个强大的和可扩展的深度学习框架,用于高精度的水体提取.
- 解决当前方法在细分多样化和复杂的水体的局限性.
- 通过先进的遥感分析来改善水资源管理和生态监测.
主要方法:
- 提出HyMambaNet,一种混合深度学习模型,将卷积局部特征提取与Mamba状态空间模型相结合.
- 集成的多尺度和频率域增强,以提高边界精度.
- 利用优化的跳过连接来增强细分的稳定性.
主要成果:
- 现代MambaNet显著超过现有的卷积神经网络 (CNN) 和基于变压器的方法.
- 在LoveHY数据集上实现了74.82%的IOU和88.87%的F1得分,超过了UNet.
- 在LoveDA数据集上获得了81.30%的IOU和89.99%的F1得分,表现优于高级模型.
结论:
- HyMambaNet提供了一种高效且可通用的解决方案,用于从遥感图像中提取水体.
- 该模型在处理复杂的水文和生态场景方面表现出卓越的性能.
- 这些发现支持大规模的水资源监测和生态应用.


