时间：2026-02-26 分类：发表攻略
湖南省地质灾害调查监测所、湖南省勘测设计院有限公司何锐利团队在《科学技术与工程》发表论文《坐标注意力及卷积增强的全尺度融合建筑物提取网络》，该研究针对卷积神经网络在遥感影像建筑物提取中特征提取和融合的优化难题，提出了CCFNet网络模型，经实验验证，该模型能有效提取建筑物区域，在多项分割评价指标上取得最优精度，为自然资源管理领域的建筑物提取工作提供了新的技术方案。
建筑物提取是城市规划、灾害应急评估等领域的重要技术手段，传统提取方法泛化能力有限，现有基于卷积神经网络的方法仍存在局部感受野、特征融合不足等问题，且主流注意力机制难以同时捕捉通道依赖与全局位置信息。为此，何锐利团队联合昆明理工大学相关研究人员，研发出由坐标注意力及卷积增强的残差编码器、全尺度融合解码器构成的CCFNet模型。
该模型的创新点体现在三方面：其一，编码器采用非对称卷积替代传统3×3卷积，增强地物边缘特征提取能力，对旋转、扭曲等不规则地物具备更强鲁棒性;其二，嵌入坐标注意力机制，构建通道间依赖关系并捕获全局信息，同时兼顾网络轻量化，不增加过多计算负担;其三，解码器采用全尺度融合方法，聚合多尺度编解码特征，充分融合高层次语义与低层次细节信息，助力建筑物精准重建。此外，模型还设计了由BCE、IOU和SSIM组成的混合损失函数，提升边界预测的准确性。
研究团队基于中国典型城市建筑物实例数据集开展实验，该数据集涵盖北京、上海等四座城市的谷歌卫星影像，共7260个样本。在与Unet、Unet++等主流模型的对比实验中，CCFNet模型在Accuracy、F1、IOU、MIOU四项核心指标上分别达到93.84%、84.08%、72.53%和82.59%，均为最优结果。消融实验也证实，非对称卷积和坐标注意力的结合，能显著提升模型提取精度，有效改善建筑物边缘提取效果，减少漏检、误检问题。
该研究验证了CCFNet模型在遥感影像建筑物提取中的有效性，不过模型目前仍存在训练时间长、数据需求量大的问题。研究团队表示，未来将聚焦模型轻量化优化，通过减少参数量、提升运行效率，推动该技术在自然资源调查监测、地质灾害预警等实际场景中的落地应用。
