Issue Ebookcover storyIssue CoverIssue ContentsInteractive Contents
Latest Issue
Online FirstList of IssuesDocument Types
2026
2025
2024
Issue 12
Issue 11
Issue 10
Issue 9
Issue 7
Issue 6
Issue 5
Issue 4
Issue 3
Issue 2
Issue 1
2023
2022
2021
2020
2019
2018
2017
Progress of research on deep learning algorithms for object detection in optical remote sensing images AI Introduction
Abstract：光学遥感图像目标检测在军事和民用方面都有很广泛的应用前景。本文综述了基于深度学习的光学遥感图像目标检测算法研究进展。首先，详细分析了光学遥感图像中的目标特点；其次，简要回顾了光学遥感图像目标检测算法的发展历程；再次，阐明了基于深度学习的光学遥感图像目标检测流程；最后，以深度学习为出发点，概述了经典的目标检测框架，并根据光学遥感图像目标的特点，分别针对尺度多样性、方向多样性、形状多样性、小尺寸、特征相似性、背景复杂性、分布密集性、弱特征的光学遥感图像目标检测问题，对各种改进算法进行了系统性的总结，此外，归纳了针对光学遥感图像目标检测的非全监督学习算法，介绍了常用的开源光学遥感图像数据集和目标检测的性能评估指标，指出了现阶段在光学遥感图像目标检测领域仍然面临的主要挑战和下一步的发展方向。Keywords：光学遥感图像;目标检测;深度学习;目标特点;目标检测流程;目标检测框架;非全监督学习;数据集;性能评估指标4701|15640|20<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2025-02-13
Abstract：点云刚性配准作为三维点云数据处理的一项基础任务，在自动驾驶、机器人、测绘遥感、医疗、工业设计以及文物保护等方面具有广泛应用。基于深度学习的点云配准方法能够自动学习高判别力的点云特征，取得较高的配准精度。为对点云配准进行更深入有效的探索，本文对基于深度学习的成对点云刚性配准相关技术研究进行了系统的综述与分析。首先介绍了基于深度学习的局部特征提取方法；其次，介绍对应关系解算、姿态回归和场景流估计等3类基于深度学习的配准方法相关研究进展；再次，对现有的可用于点云刚性配准的公开数据集进行了总结与归纳；最后，对点云配准研究现状进行了总结，并对该领域未来研究方向进行展望。Keywords：遥感;三维点云;刚性配准;深度学习;点云特征;对应关系解算;姿态回归;场景流估计;配准数据集1467|6467|1<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2025-02-13
Reviews
Preliminary study on dry and wet season changes in biomass on Chinese fir forest land on the basis of UAV LiDAR AI Introduction
Abstract：伴随着全球变暖，极端降水格局变化显著，分布面积广且处于生长旺盛期的中国人工林将如何响应气候变化，其碳汇功能的趋势预测，以及相应的经营管理决策，迫切需要快速、准确监测森林生长的方法。本研究以17年生杉木中龄林为研究对象，采用无人机激光雷达（UAV-LiDAR）于2019年2月—2020年2进行了每半年一次的监测，并结合地面调查数据对比了3种基于UAV-LiDAR参数的单木地上生物量（AGB）估测方法，这3种方法分别为树高冠幅回归法（HCD）、胸径—树高回归法（D-H）和胸径—树高冠幅回归法（D-HCD），后进一步估测杉木林的树高、胸径和AGB半年为周期的季节生长变化。结果表明D-HCD法估测杉木单株AGB结果最优（R2为0.77，RMSE为15.99 kg）。其中单株年AGB变化量（ΔAGB）的实测与估测值的R2为0.64，RMSE为1.87 kg，相对误差rRMSE为29.74%；单木上推至样方尺度，单位面积ΔAGB估测相对误差有所降低，rRMSE从29.74%下降到17.10%。研究期间，春夏季的日均温比秋冬季高7 ℃，降雨量却超过秋冬季的3倍，降雨的季节分配严重不均，杉木生长也因此表现出十分明显的干湿季节差异，湿季和干季平均树高生长量分别为0.50 m和0.13 m，生物量增加量分别为5.12 kg和1.37 kg。研究发现随着径阶的增加，中龄杉木春夏季和年ΔAGB呈递增趋势，即个体越大，生长量越具有优势，而远小于平均水平的个体，生长则几乎停止。Keywords：遥感;杉木;地上生物量;无人机激光雷达;多时相;干湿季节1629|3596|2<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2025-02-13Estimating canopy bulk density and canopy base height using UAV LiDAR and multispectral images AI Introduction
Abstract：森林冠层体密度CBD（Canopy Bulk Density）和冠层基高CBH（Canopy Base Height）是许多火行为模型的关键输入参数。然而，在中国很少有研究关注这些参数的估算以及在区域的空间分布情况。无人机技术的发展为精细尺度估算CBD和CBH的空间分布提供了机遇。本研究首先利用野外调查数据计算样地的CBD和CBH；然后，利用无人机LiDAR点云和多光谱影像，构建基于面状区域的最优子集和随机森林估算模型，并对估算结果进行评价；最后，绘制研究区的CBD和CBH空间分布图。研究结果表明：采用相同数据源和模型时，估算CBH的R2总是高于CBD。CBD最优估算方法为融合LiDAR和多光谱数据的随机森林模型，R2为0.5142，RMSE为0.0773 kg/m3，rRMSE为40.73%。CBH的最优估算方法为仅使用LiDAR数据的随机森林模型，R2为0.6477，RMSE为1.6245 m，rRMSE为31.17%。使用单一数据源时，LiDAR估算精度明显高于多光谱数据。融合两种数据源不一定提升CBD和CBH的估算精度。本研究中构建的最优子集模型需要3—6个特征变量，随机森林模型则需要输入10—52个特征变量。仅使用多光谱影像估算CBD和CBH时，最优子集回归估算精度更好，但是空间预测结果易受地表覆盖类型的影响。本研究能够为森林冠层可燃物参数估算提供方法参考，同时也可以为林火行为预测模型提供精细尺度的输入数据。Keywords：遥感;LiDAR;多光谱数据;冠层体密度;冠层基高;最优子集模型;随机森林模型1043|5775|2<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2025-02-13Estimating winter wheat biomass by coupling the CBA-Wheat model and multispectral remote sensing AI Introduction
Abstract：生物量是反映作物生长状况的重要指标，及时准确估计冬小麦地上生物量对于产量预测和田间管理决策具有重要意义。综合考虑遥感植被指数VI（Vegetation Index）与数字化生育期ZS（Zadoks Stage）创建的作物生物量模型CBA-Wheat（Crop Biomass Algorithm for Wheat），虽然适用于全生育时期的冬小麦生物量估算，但是由于模型参数基于地面高光谱数据构建，而卫星遥感数据在应用过程中，需要使用更多的地面实测数据进行模型参数的调试，因而限制了该模型的推广使用。因此，本研究采用遗传优化算法GA（Genetic Algorithm）对CBA-Wheat模型进行全局优化确定模型最优参数，利用高分辨率遥感影像提取VI与试验记录的ZS数据，分别构建以不同VI为输入变量的冬小麦生物量反演模型，并进行验证。结果表明：增强型植被指数EVI2（Enhanced Vegetation Index2）为输入变量建立的模型精度最高，冬小麦生物量估算验证的决定系数（R2）和均方根误差（RMSE）分别达到0.92 t/hm2和1.37 t/hm2；基于CBA-Wheat模型的生物量估算精度效果优于基于偏最小二乘回归方法的生物量估算精度（R2=0.85，RMSE=1.87 t/hm2）。综上，本研究基于遗传算法优化的CBA-Wheat模型不仅具有较高的反演精度，而且适用于冬小麦多个生育期反演，在使用遥感卫星数据进行大面积生物量预测方面具有较好的应用潜力。Keywords：冬小麦;地上生物量;遗传算法;CBA-Wheat;多源数据;EVI2;Sentinel-2;遥感1163|2357|6<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2025-02-13JAM-R-CNN deep learning network model for remote sensing recognition of terraced fields AI Introduction
Abstract：快速准确地掌握梯田的空间分布，不仅为水土保持提供重要的数据支撑，也提高了山区农业的监管水平。利用深度学习方法进行梯田识别，对于形状狭长的梯田容易因卷积运算而造成漏提现象，并且在山区地物边界不清晰的复杂背景下，易产生大面积粘连的识别结果，导致最终的梯田识别精度不高。为此，本研究提出了一种面向梯田遥感识别的JAM-R-CNN深度网络模型。该模型以Mask R-CNN为基础，融合跳跃网络来维持高分辨率遥感影像的高语义信息，引入卷积注意力机制模块来加强梯田的特征表达能力，修改模型的锚框大小以适应梯田狭长的特性。并以重庆市南川区的盐井梯田研究区域，基于国产高分二号（GF-2）卫星影像数据进行本研究模型验证实验。结果表明：JAM-R-CNN网络模型的梯田识别结果精确率为90.81%，召回率为84.28%，F1为88.98%，IoU为83.15%。相较于经典的Mask R-CNN模型，JAM-R-CNN网络模型的梯田识别精度较高，4个评价指标依次提升了1.96%、5.26%、3.29%和5.19%。此外，消融实验结果验证了模型改进的3个模块均对梯田识别有明显的促进作用。综上，本研究提出的JAM-R-CNN深度网络模型能够有效减少梯田识别结果的粘连现象，明显提高了狭长型梯田的提取率，实现了梯田遥感识别整体精度的显著提升，具有较好的应用价值。Keywords：遥感;梯田识别;高分辨率遥感影像;深度学习;跳跃网络;JAM-R-CNN1018|2806|2<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2025-02-13
Abstract：土壤侵蚀对东北黑土区的作物产量构成严重威胁，侵蚀沟是其主要表现之一。开展侵蚀沟识别和检测对东北黑土区土地综合治理等具有重要意义。本文基于多尺度稠密扩张卷积神经网络提出一个新的侵蚀沟遥感识别模型。该模型包括多个稠密连接的多尺度扩张卷积残差模块，可以更好地聚合侵蚀沟的多层级空间特征。并选取黑龙江省海伦市全域作为研究区以验证本文模型。结果表明：本文模型取得了较好的识别效果，总体精度可达95.80%，Kappa系数为0.9152，效果优于经典深度学习模型；基于场景级标签和类激活图实现了对侵蚀沟区域的定位，可为侵蚀沟的边界提取提供参考。综上，基于多尺度稠密扩张卷积神经网络在东北黑土区开展侵蚀沟识别是有效的，可为东北黑土区土地综合治理提供精确的侵蚀沟空间分布数据。Keywords：侵蚀沟;东北黑土区;深度学习;场景识别;特征提取;扩张卷积神经网络;遥感监测;耕地保护1426|3586|4<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2025-02-13
Forestry and Agriculture
Remote sensing image dehazing algorithm based on adaptive SLIC AI Introduction
Abstract：遥感影像由于雾霾的原因导致清晰度下降，增添了遥感影像目标检测和地物分割任务的困难。本文提出一种基于自适应SLIC的遥感影像去雾算法，首先，针对有雾遥感影像出现局部区域高亮问题，使用改进的Retinex算法，对输入遥感影像进行对比度增强，保留图像细节，以减少伪影现象，扩展图像的对比度动态范围，准确估计遥感影像大气强度值；其次，提出了一种自适应SLIC算法，解决超像素数目参数设定的困难，对输入遥感影像进行超像素分割，避免局部对比度强烈区域对固定窗口的影响，从而获得更加精确的透射率估计；最后，基于暗通道先验原理和大气散射模型恢复出无雾遥感影像。本文使用所提算法和DCP、DOC、EVPM和CHAL的4种算法进行对比，分别在公开数据集Inria Aerial Image Dataset和RICE Image Dataset进行去雾效果比较。主观上，所提算法处理后的遥感影像颜色更真实、去雾更彻底、地物更清晰，能更好的保留影像细节信息；客观上，所提算法处理后的图像信息熵平均值为7.56，峰值信噪比平均值为22.05，结构相似性平均值为0.87，均高于其他4种算法。本文所提出的去雾算法模型，综合了图像增强与恢复的优点，使得去雾后的遥感影像更加自然真实，更好的恢复出遥感影像细节信息。Keywords：遥感图像去雾;自适应SLIC;暗通道先验;Retinex;超像素分割732|4387|0<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2025-02-13Building extraction from remote sensing images via the multiscale information fusion method under the Transformer architecture AI Introduction
Abstract：建筑物是城市中最为普遍的基础设施，获取遥感影像中的建筑区域对于城市规划、人口估计和灾情分析等具有重要的意义。本文基于Transformer结构，设计了一种端到端的遥感影像建筑区域提取方法。首先，针对多尺度影像特征存在的信息冗余和信息差异问题，本文提出了一种多次特征金字塔结构Tri-FPN（Triple-Feature Pyramid Network），实现跨越近邻尺度的全局多尺度信息融合，提高多尺度特征的类别表征一致性并减少信息的冗余。其次，针对多尺度提取结果融合时仅考虑尺度因素的问题，本文设计了一种顾及“尺度—类别—空间”的注意力模块CSA-Module（Class-Scale Attention Module），有效融合了不同尺度下的建筑提取结果。最后，在Transformer结构上加入Tri-FPN与CSA-Module进行模型训练，获得最佳的建筑提取效果。实验对比分析表明，本文的方法有效提高了建筑区域的检出率，并提供出更为准确的建筑轮廓，提升了遥感影像中建筑的提取精度，在WHU Building数据集和INRIA数据集上分别取得了91.53%和81.7%的IOU分数。Keywords：遥感影像;建筑提取;深度学习;Transformer;影像特征金字塔;类别尺度注意力1252|2453|4<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2025-02-13FVC-Net： A fusion network for producing fine spatial resolution fractional vegetation cover AI Introduction
Abstract：植被覆盖度（FVC）是描述地表植被分布的定量指标之一。通过遥感卫星（如Landsat和Sentinel-2）获取大尺度下的高空间分辨（如10 m级）FVC，能为全球生态系统研究提供重要基础数据。然而，由于云雾干扰以及卫星重返时间分辨率有限等问题，高空间分辨FVC在时域上存在大量缺失。本文考虑协同30 m Landsat 8和10 m Sentinel-2数据，实现二者在时域上的互补。为解决二者空间分辨率不一致的问题，本文提出了一种基于FVC-Net的深度学习方法，通过融合10 m Sentinel-2归一化植被指数（NDVI）数据，将30 m Landsat FVC降尺度至10 m。FVC-Net方法构建双分支结构下的通道注意力模块用于FVC和NDVI的多尺度特征采集与融合，随后利用空间注意力模块将选择的特征进行细节增强，以有效描述不同获取时间下的10 m NDVI与30 m FVC之间的非线性映射关系。实验中，与4种典型非深度学习方法和4种深度学习方法相比，FVC-Net获得了更高精度的融合结果。FVC-Net有望应用于全球尺度下的30 m Landsat FVC产品的降尺度，为相关领域研究提供更为精细的数据支撑。Keywords：遥感;植被覆盖度（FVC）;归一化植被指数（NDVI）;深度学习;降尺度;数据融合1288|6214|0<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2025-02-13Change detection method based on adaptive nonlocal pattern consistency for multimodal remote sensing images AI Introduction
Abstract：亚热带地区环境复杂，自然灾害频发。多模态遥感影像变化检测可在监测其环境变化与灾害现象中发挥重要作用，已成为当下遥感影像处理的研究热点。针对现有方法存在的目标空间结构特征和影像变化信息利用不足的问题，本文假设地物变化将导致对应影像区域的空间结构特征变化，提出了一种基于自适应非局部模式一致性ANLPC（Adaptive Non-local Pattern Consistency）的多模态遥感影像变化检测方法。该方法通过度量多模态影像的空间结构变化提取影像变化信息。首先利用块相似性构建多模态影像的自适应非局部模式，实现空间结构特征表达；然后通过前/后向模式映射度量其与另一时相影像的空间结构差异；最后融合前/后向变化强度图的频率域信息获取鲁棒的变化强度图，并通过阈值分割得到二值变化检测图。本文采用4组多模态遥感影像数据集（两组光学—SAR（Synthetic Aperture Radar）数据集，两组光学—LiDAR数据集）和两组单模态遥感影像数据集（一组光学影像数据集，一组SAR影像数据集）验证了本文方法的有效性。相对于现有方法，本文方法在6组数据集中的卡帕系数KC平均至少提升17.28%。Keywords：遥感;多模态影像;变化检测;结构特征;自适应非局部模式;模式映射;影像融合850|2464|2<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2025-02-13View-consistency network for weakly supervised oriented object detection in remote sensing images AI Introduction
Abstract：为了减轻旋转目标检测的标注负担、提高遥感旋转目标检测数据集的可用性和丰富性，本文提出了一种仅使用图像级别标注的旋转目标检测模型。该模型的核心在于利用3个一致性约束：图像级别标注的一致性、旋转检测框位置的一致性和聚类中心分布的一致性，来设计目标检测网络。首先，本文引入了遥感场景下的弱监督旋转目标检测范式，通过逐阶段优化预测结果，利用图像级别标注的一致性来训练模型。其次，为了提高旋转角度的预测准确性，模型通过利用不同旋转视图下的旋转检测框的空间位置一致性约束来调整角度预测。最后，为了保持不同旋转视图下聚类中心节点的分布一致性，设计了匈牙利损失来度量聚类中心的分布一致性。通过这些一致性约束，模型可以更好地利用不同旋转视图下的旋转等变性，提高检测性能。为了验证该模型的有效性，本文在两个主流的遥感目标检测数据集DIOR和DOTA-v1.0上进行了实验。实验结果显示，模型在DIOR数据集上取得37.7% mAP，相较于水平弱监督最先进模型提升了9.4% mAP；在DOTA数据集上取得28.1% mAP，在多个检测类别上优于难度更小的、基于水平框标注的旋转弱监督的最先进模型。这表明该模型在解决标注困难和提高遥感目标检测性能方面具有良好的潜力。未来，研究者可以进一步拓展这种基于图像级别标注的旋转目标检测模型，结合更先进的技术和不同数据源，探索其在遥感、地理空间分析和其他相关领域的更广泛应用。Keywords：遥感;旋转目标检测;目标检测;弱监督;深度学习;旋转一致性;图像级标注;匈牙利损失;DOTA数据集708|3226|1<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2025-02-13Joint dual attention mechanism and bidirectional feature pyramid for remote sensing small targets detection AI Introduction
Abstract：遥感影像由于成像特点和空间分辨率的制约，导致小目标特征提取难度增加，因此遥感影像小目标检测具有较大挑战。现有深度学习目标检测网络架构多基于自然图像而构建，在顾及遥感影像小目标特殊性方面的研究和探索存在不足。为此，本文提出了联合双重注意力机制和双向特征金字塔的遥感影像小目标检测算法。主要创新工作体现在：（1）针对遥感影像中待检测物体所占比例较小导致其特征信息不易提取以及网络参数量大等问题，基于YOLOv3网络模型，引入LKGNet主干网络和GIoU损失函数，提出LKGNet-YOLO网络；（2）针对网络特征提取过程中容易受噪声信息干扰以及网络多层信息融合能力不足的问题，基于YOLOv3网络模型，引入DA-LKGNet主干网络和加权双向特征金字塔结构，提出DA-LKGNet-YOLO网络。为了验证所提方法的在遥感影像小目标检测领域中的有效性，采用2014年中国科学院大学发布的UCAS-AOD v1.0（UA）数据集和2021年武汉大学发布的AI-TOD数据集进行实验。结果表明：本文方法在UA数据集上0.5阈值的均值平均精度mAP0.5为96.21%，在AI-TOD上0.5—0.95阈值的均值平均精度mAP0.5—0.95为9.51%，显著优于YOLOv3、RFBNet、SSD、FSSD、RetinaNet、RefineDet等模型，mAP精度分别高出约3.45%—7.52%、1.36%—4.84%。同时，在小尺度目标上的检测水平优于Faster-RCNN和YOLOv7算法。与原始YOLOv3网络相比，本方法在浮点运算次数上降低了48%，参数量减少了42%。上述实验结果证实了本文提出方法的有效性。Keywords：遥感影像;小目标检测;深度学习;YOLOv3;注意力;特征金字塔1569|4811|2<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2025-02-13Edge-perception enhanced segmentation method for high-resolution remote sensing image AI Introduction
Abstract：基于深度卷积神经网络（DCNN）的高分辨率遥感影像语义分割方法不断取得显著发展，但仍存在分割对象边缘特征提取与表达困难问题，导致受遮挡及小目标地物的边缘分割效果较差，从而影响语义分割方法整体精度。针对以上问题，本文提出了一种边缘感知强化的高分辨率遥感影像语义分割方法。首先，提出Transformer-DCNN协同机制提取遥感影像的全局自注意力特征和空间上下文信息，提炼更为精准的地物语义特征表达；然后，构建边缘和不确定点共同引导的边缘感知强化模块，从不确定点及实体边缘两个视角增强模型的边缘信息处理能力；最后，通过语义分割解码器有效利用包含边缘信息的特征编码，提高分割对象边缘预测的准确性和连续性。在Vaihingen和Potsdam数据集上的实验对比结果表明所提模型能有效处理复杂地物的边缘信息，提升分割方法的准确性，在常用的评估指标平均交并比（mIoU）和其他评估指标均有着不错的效果。与经典的UNet++分割网络相比，本文所提方法在Vaihingen数据集的mIoU得分提高了3.44%，在Potsdam数据集的mIoU得分提高了4.01%，平均F1得分和整体精度OA也有不同程度的提升。Keywords：遥感影像;语义分割;边缘感知;特征提取;编码器;解码器1374|4953|4<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2025-02-13A neural network-based forward operator for assimilating the FY-4A visible reflectance AI Introduction
Abstract：全天空卫星可见光反射率资料蕴含关键的云雨信息，具有重大的同化潜力。传统的可见光反射率资料同化观测算子基于数值方法求解辐射传输方程，计算效率偏低，尚不能满足资料同化的业务应用需求。鉴于此，本研究在Scheck（2021）神经网络观测算子的基础上，优化了神经网络参数与结构，构建了风云四号A星（FY-4A）先进静止轨道辐射成像仪（AGRI）可见光反射率资料同化的快速观测算子NNFO。NNFO的输入参数包括液相和冰相总云水路径（转换到对数空间）、冰相云水路径与总云水路径之比、液滴有效粒子半径、下垫面反照率、太阳天顶角、卫星天顶角、太阳与卫星的相对方位角，输出数据为对应条件下的天顶反射率。结果表明，NNFO的计算效率是传统观测算子RTTOV-DOM的15倍（串行）或6倍（并行），并且NNFO具有与RTTOV-DOM相当的模拟精度。此外，NNFO可以较好地重构FY-4A/AGRI可见光云图，反射率模拟结果的偏差和均方根误差分别为-0.016和0.143。因此，NNFO具有同化应用的潜力。Keywords：风云四号A星;先进静止轨道辐射成像仪;可见光反射率;RTTOV;数据同化;观测算子;神经网络;动态学习率1490|1544|0<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2025-02-13
Abstract：采空区地表裂缝识别对矿区的生产安全和生态环境治理具有重要意义。裂缝检测可以通过语义分割和边缘提取任务实现。已有的深度学习裂缝检测方法通常将其分开处理，无法为后续的几何参数计算和损害程度量化提供足够数据，并且没有考虑到两个任务之间的互补性。本文设计了一个双任务卷积神经网络Goaf-DTNet（Dual-Task Convolutional Neural Network for Goaf Crack Recognition）来同时获取裂缝面状分割和线性踪迹提取结果，通过建立两个任务之间的信息互补来提高模型的精度。在Goaf-DTNet的面状分割分支中，使用了多尺度特征融合提取鲁棒性特征。同时，在裂缝线性踪迹提取分支中，使用面状分割特征对线性踪迹特征提取过程进行引导，提高模型对裂缝的定位精度。为了验证方法的有效性，分别在自建的地表裂缝数据集和公共数据集上进行了实验，实验结果显示本文方法优于其他对比方法。消融实验结果也表明联合训练两个任务可以提升彼此的准确率。除此之外，在真实大场景图像上的实验结果表明本文方法在矿区地表裂缝监测中具有一定的实际应用潜力，可以为矿区监测提供有效数据。Keywords：遥感;煤矿;采空区;无人机（UAV）;裂缝检测;卷积神经网络（CNN）;多任务学习;深度学习736|1821|0<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2025-02-13
Models and Methods
