地球科学学院博士生杨栋杰在中文核心期刊《浙江大学学报（工学版）》上发表题为“基于多重多尺度融合注意力网络的建筑物提取”的研究论文。长江大学地球科学学院为论文第一署名单位，博士生杨栋杰为论文第一作者，高贤君为通讯作者。

建筑物是城市空间结构、国土资源调查、基础测绘更新和城市精细化管理中的重要地物目标。如何从高分辨率遥感影像中准确、高效地提取建筑物，一直是遥感影像智能解译领域的重要研究方向。传统建筑物提取方法通常依赖人工设计的光谱、纹理、几何和空间特征，容易受到阴影、遮挡、复杂背景和建筑物形态差异的影响，难以满足复杂场景下建筑物精细化提取的需求。针对这一问题，论文以深度学习语义分割网络为基础，进一步提升模型对建筑物有效特征的表达能力和对多尺度建筑结构的适应能力。

该研究提出的MMFA-Net以U-Net为主体架构，重点设计了多重高效通道注意力模块MECA和多尺度特征融合注意力模块MFA。其中，MECA模块嵌入模型跳跃连接中，通过权重分配强化有效建筑物特征，抑制无效低维特征的过度使用，减少错分和漏分现象；MFA模块设置在模型底部，结合并行连续中小尺度空洞卷积与通道注意力机制，获取不同尺度空间特征和光谱维度特征，从而缓解大尺度建筑物提取过程中容易出现的内部像素缺失问题。两个模块协同作用，有效提升了建筑物提取结果的完整性和准确性。

为验证方法的有效性，研究团队在Massachusetts、WHU和自绘建筑物数据集上开展了实验，并与U-Net、SegNet、DeepLabV3+、MAP-Net和BRRNet等典型建筑物提取网络进行了对比。实验结果表明，MMFA-Net在三个数据集上均取得了较优表现。其中，在WHU数据集上，模型F1分数和IoU分别达到93.33%和87.50%；在Massachusetts数据集上分别达到85.38%和74.49%；在自绘建筑物数据集上分别达到88.46%和79.31%，整体性能优于多种对比方法。

研究结果表明，MMFA-Net能够较好地适应建筑物尺度差异、光谱混淆、树木遮挡和阴影干扰等复杂场景，有效改善建筑物提取中的过度分割、内部空洞和边界不完整等问题。该成果为高分辨率遥感影像建筑物智能解译提供了新的方法参考，可为城市空间信息更新、智慧城市建设、国土资源调查和灾害应急评估等应用提供技术支撑。

（https://www.zjujournals.com/eng/article/2022/1008-973X/202210004.shtml）