（通讯员杨金辉）近日，我院地信系高分遥感影像智能解译课题组20级研究生张广斌以长江大学为第一单位在地球科学遥感领域顶级期刊《International Journal of Applied Earth Observation and Geoinformation》（影响因子：7.672、中科院大类一区、SCI 1区、TOP期刊）上发表题为“A multi-task driven and reconfigurable network for cloud detection in cloud-snow coexistence regions from very-high-resolution remote sensing images”的论文。该论文是以研究生张广斌为第一作者，高贤君副教授为通讯作者、杨元维副教授为共同作者署名发表。

高分辨率遥感影像平均约66%的区域会被云层覆盖。因此，精确的云检测对遥感影像的预处理至关重要。由于传统云检测方法应用于高海拔、高纬度地区时，受到积雪的相似反射特征和局部纹理的干扰，对云检测造成困难，使得基于云雪共存区域的云检测工作相较于其他场景更具挑战性。论文中提出了一种多任务驱动的可重构深层神经网络(MTDR-Net)。MTDR-Net中有4个模块：高分辨率骨干-多投影头模块(HRB-MPH)、可重参数化多尺度特征融合模块(RP-MFF)、轻量化自适应特征融合模块(LAFF)和多任务梯度流引导模块(MTGFG)。HRB-MPH促进了全局信息交互，增强了多粒度特征表示，支持像素级和超像素级分割任务之间的特征共享。RP-MFF能在训练阶段捕获局部多尺度云特征，且在测试部署阶段无损地简化结构。LAFF能重建云特征。MTGFG在多任务梯度流之间提供无偏指导。实验结果表明，相比于同类算法，该方法具有较强的抗干扰能力和良好的云边界和薄云提取能力，获得了最佳的云检精度。模型具有良好的可扩展性和轻量化特性，能有效运用于遥感影像实际生产作业。该研究成果为超高分辨率遥感影像云雪共存区的云检测工作提供指导。

我院地信系高分遥感影像智能解译课题组长期致力于深度学习遥感影像智能解译（建筑物、云、雪等）以及车载LiDAR数据目标识别与测量等方面的研究，目前已经发表高质量论文30多篇。其中课题组成员以第一或通讯作者在《International Journal of Applied Earth Observation and Geoinformation》、《Neurocomputing》、《Remote Sensing》、《Applied Sciences》、《IEEE Access》、《测绘学报》、《中国激光》、《光学学报》、《武汉大学学报(信息科学版)》以及《浙江大学学报(工学版)》等国内外知名期刊上发表多项成果。

课题组链接地址：

https://docs.qq.com/doc/p/76da31c6cda04500fe45b018397cd66127051a55?dver=3.0.27429706