学术动态

H2SuperEllipse：利用水平框监督的旋转目标检测超椭圆表示

基于LMUNet RCAM的多模态黄土洞穴提取：将山坡阴影和RGB特征与局部注意力机制相结合

针对黄土高原黄土洞穴（Loess Caves，LCs）微地貌形态复杂、空间分布不规则及地形起伏特征不明显，导致传统遥感识别方法难以准确提取其空间结构与边界信息等问题，提出一种融合全局—局部特征增强与循环卷积注意力机制的黄土洞穴智能识别网络（LMUNet-RCAM）。该方法首先利用数字高程模型（DEM）生成地形晕渲信息，增强黄土洞穴微地形特征的表达能力；其次，设计局部Transformer mMoBA（LM）模块，在U-Net主干网络特征提取前进行全局与局部信息交互，扩展有效感受野，提高模型对不规则洞穴形态及复杂空间结构的表征能力；进一步引入循环卷积注意力模块（RCAM），通过空间与通道注意力协同建模，增强黄土洞穴与周围复杂地形背景之间的语义判别能力，并结合门控Swin循环神经网络（G-S-R）重构局部特征序列，提高复杂地形条件下特征提取的稳定性与鲁棒性。该研究将DEM地形信息、全局—局部特征学习与循环注意力机制相结合，为黄土高原复杂微地貌的精细化识别、黄土洞穴空间分布调查及地质灾害风险评估提供了新的技术途径。

CSTANet：用于卫星视频中运动小目标检测的跨帧时空聚合网络

针对卫星视频中运动目标尺寸小、空间分辨率有限、背景环境复杂多变以及目标与背景对比度较低等问题，导致传统目标检测方法难以有效提取弱小运动目标特征、检测精度与鲁棒性受限的挑战，提出一种基于跨帧时空特征聚合的卫星视频运动小目标检测网络（CSTANet）。该方法充分利用卫星视频连续帧之间的时间关联性与空间互补信息，通过跨帧时空特征提取与深度融合机制，增强弱小运动目标的特征表达能力，挖掘目标在连续观测过程中的动态变化信息，降低复杂背景干扰及低目标背景对比度对检测结果的影响。同时，通过有效聚合多帧图像中的空间细节与时间上下文信息，提高运动目标与背景之间的判别能力，增强模型在复杂动态场景下的目标检测稳定性与适应能力。该研究将卫星视频时序信息建模与空间特征协同融合相结合，为低分辨率卫星视频中的弱小运动目标检测、动态目标持续感知及遥感视频智能监测提供了新的技术途径。