AMD-HookNet 用于冰川前缘分割

了解冰川崩解前沿位置的变化对于评估冰川状况至关重要。遥感影像为监测冰川崩解前沿位置提供了理想的数据库，但由于时间限制，全球范围内手动完成这一任务并不可行。基于深度学习的方法在从光学和雷达卫星影像中提取冰川崩解前沿方面展现出巨大潜力。冰川崩解前沿表现为海洋与冰川之间的一条细线，这使得预测任务容易出现不准确的情况。注释冰川影像的有限可用性导致数据多样性不足（并非所有可能的不同天气条件、末端形状、传感器等组合都存在于数据中），从而加剧了准确分割的难度。本文提出了一种新颖的合成孔径雷达（SAR）图像冰川崩解前沿分割框架——注意力多挂钩深度监督 HookNet（AMD-HookNet）。该方法旨在通过双分支 U-Net 在低分辨率和高分辨率输入之间的多次信息交互来增强特征表示能力。集成到双分支 U-Net 中的注意力机制旨在在相应的粗粒度和细粒度特征图之间进行互动，从而使网络能够自动调整特征关系，实现准确的像素分类预测。在具有挑战性的冰川分割基准数据集 CaFFe 上进行的大量实验和对比表明，我们的 AMD-HookNet 达到了对地面实况平均距离误差 438 米的成绩，比当前最先进的方法提高了 42%，验证了其有效性。