hanfeng5268的博客

Mamba-UNet通过其创新的双分支Mamba融合模块、多尺度时空注意力模块和动态分位数加权损失函数，在降水临近预报领域取得了显著的性能提升。它不仅在多种降水场景下表现出色，尤其在预测强降水事件方面展现出了强大的能力。这一创新模型为降水临近预报提供了一种新的解决方案，有望在未来的研究和应用中发挥更大的作用，为应对气候变化带来的挑战提供有力支持。随着技术的不断发展和优化，我们期待Mamba-UNet在更广泛的气象预报任务中发挥更大的价值，为各行各业提供更精准、更可靠的降水预报服务。

S. Zhao, L. Zhang, Y. Shen and Y. Zhou, “RefineDNet: A Weakly Supervised Refinement Framework for Single Image Dehazing,” in IEEE Transactions on Image Processing, vol. 30, pp. 3391-3404, 2021, doi: 10.1109/TIP.2021.3060873.论文代码

本文将详细解读论文《Lightweight Object Detection Network With Spatial-Channel Attention and Stair Fusion Structure for Remote Sensing Open-Pit》。这篇论文提出了一种新的轻量级目标检测网络DASFNet，用于遥感露天矿区的目标检测。该网络通过结合空间-通道注意力机制和阶梯融合结构，有效地提高了检测精度，同时降低了计算成本。

【代码】复现：MSLAN: A Two-Branch Multidirectional Spectral–Spatial LSTM Attention Network for Hyperspectral Im。

使用 PyTorch 的nn.LSTM定义 LSTM 层。模型输出最后一个时间步的隐藏状态，并通过全连接层预测降雨量。

以下是基于论文《Automatic Extraction of Roads From Multisource Geospatial Data Using Fusion Attention Network and Regularization Algorithm》的核心代码实现框架。由于论文中涉及的模型和算法较为复杂，我会尽量简化代码结构，同时保留论文中的关键模块和流程。复现一下这个论文的代码，感兴趣的可以引用和阅读起来！如果需要更详细的实现或遇到问题，可以随时告诉我！

import cv2"""初始化 PCNN 网络:param image: 输入图像:param kernel_size: 耦合权重矩阵的大小:param alpha: 输入信号衰减系数:param beta: 反馈信号衰减系数:param gamma: 脉冲增益"""self.t = 0"""迭代计算 PCNN 的输出:param max_iter: 最大迭代次数"""else:break"""获取 PCNN 的输出结果:return: 输出图像"""

在DRD-UNet中，扩张模块的引入使得网络能够更好地理解图像中的上下文信息，有助于改善对大尺度结构的分割效果。在DRD-UNet中，残差模块的加入不仅提高了网络的训练稳定性，还增强了模型对细节信息的捕捉能力。DRD-UNet是在标准U-Net架构的基础上进行改进的深度学习模型，其核心在于引入了Dilation、Residual和Dense（DRD）块，以增强模型对多类别乳腺癌组织的分割能力。其次，DRD-UNet的训练过程需要大量的计算资源和时间，这在一定程度上限制了其在实际应用中的推广。

return x# 解码器部分nn.ReLU(),nn.ReLU(),nn.ReLU(),# 全局特征提取# 局部特征提取# 全局-局部融合# HOG 特征提取# HOG 注意力机制# 解码器inputs = inputs[:, 1, :, :] # 取前景类别# 联合损失函数# 优化器。

SCGC-Net通过创新的多尺度特征提取、上下文感知调制和渐进式特征校准策略，解决了滑坡检测中的多尺度特征提取和复杂环境适应性问题。实验结果证明了其在多个数据集上的优越性能和泛化能力，为滑坡灾害检测提供了一种高效、稳健的解决方案。

通道注意力通过建模通道间的依赖关系，增强重要通道的特征响应。空间注意力关注特征图中不同位置的重要性，增强关键区域的响应。基于自注意力机制的长距离依赖建模，适用于大范围上下文捕捉。结合通道与空间注意力，或与其他机制（如多尺度）融合。

为实现遥感影像建筑物提取，提供不同的 U-Net 变体：标准 U-Net、ResUNet、Unet++等。标准 U-Net 是一种经典的卷积神经网络，用于分割任务。2. ResUNetResUNet 是一种结合了残差块的 U-Net，增强了特征提取能力。3. U-Net++U-Net++ 是 U-Net 的改进版本，通过引入多尺度的特征融合，增强了特征提取能力。4. U-Net+++U-Net+++ 是 U-Net++ 的进一步扩展，通过引入更多的跨层级连接，增强了特征融合能力。5. Att

该框架结合了CNN的局部特征提取能力和Transformer的全局关系建模，适用于高分辨率遥感影像的建筑物分割任务。卷积核的滑动窗口机制天然适配图像数据的局部相关性，能高效捕捉建筑物边缘、纹理等细节特征（如屋顶边缘、窗户排列模式）通过权值共享保持特征的空间一致性，对建筑物不同位置的重复结构（如规则排列的住宅区）具有稳定识别能力。通过多级下采样逐步抽象特征，构建从边缘→纹理→语义的多尺度表达（如从砖瓦细节到整体建筑轮廓）通过注意力权重自动聚焦关键区域（如区分密集城区与孤立建筑物的特征重要性）

建筑物自动提取是遥感图像分析与计算机视觉领域的重要任务，在城市规划、灾害评估和地图更新中具有广泛应用价值。本项目基于PyTorch框架，采用U-Net语义分割网络实现高分辨率遥感影像中的建筑物精准提取。应用场景：实验表明，该方法在公开数据集上可实现超过85%的IoU精度，未来可通过引入Transformer注意力机制、多模态数据融合等方式进一步提升复杂场景下的提取鲁棒性。可根据具体需求补充以下内容：2. U-Net模型定义3. 训练循环4. 评估指标（IoU）5. 预测示例使用建议：

Mamba凭借其线性复杂度和全局建模能力，正在成为遥感影像分割的新引擎。通过本文的代码实践与模型解析，读者可快速上手基于Mamba的建筑物分割任务。Samba官方GitHub。

近年来，深度学习在遥感影像土地利用分类领域取得了突破性进展，从传统的农田、森林识别，到复杂的城市功能区划分，AI正在重新定义我们对地表覆盖的认知。无论是科研还是工程应用，高质量数据集、前沿算法和开源工具都是成功的关键。本文精心整理了2024年最值得关注的土地利用分类资源，包括：✅ 10+个权威数据集（覆盖全球、多分辨率、多光谱/雷达）✅ 15+篇顶会论文（CNN/Transformer/自监督学习等SOTA方法）✅ 6大开源工具箱（PyTorch/Keras实现，即拿即用）

以下是一个基于PyTorch的滑坡识别分割完整实现，包含数据加载、训练、测试和评估模块。代码结构清晰，支持多GPU训练和指标计算。这个实现包含了滑坡分割任务的所有关键组件，可以根据需要调整模型架构、损失函数或数据增强策略。

还在为找不到优质变化检测资源发愁？🔥来袭！✅（含超高分辨率）✅✅ ** 开源代码**（PyTorch/TF全都有）覆盖传统方法到Mamba架构，城市扩张、灾害评估全搞定！#遥感 #变化检测 #AI #科研利器。

随着全球城市化进程的加速，高效、精准地监测城市建筑物分布对城市规划、灾害评估、人口估算及智慧城市建设具有重要意义。传统的人工测绘方法耗时费力，难以满足大范围、动态更新的需求。而遥感影像建筑物提取技术，借助深度学习与计算机视觉，能够自动化识别并提取建筑物轮廓，极大地提升了城市信息获取的效率和精度。首先，建筑物提取是遥感影像解译的核心任务之一。

📌 研究亮点《DUPNet: Water Body Segmentation with Dense Block and Multi-Scale Spatial Pyramid Pooling for Remote Sensing Images》 由 Zhiheng Liu 团队发表于 Remote Sensing（MDPI），提出了一种创新性深度学习框架，显著提升复杂场景下的水体提取精度！

本文提出的 AFENet 通过自适应频率增强和选择性特征融合，在遥感图像语义分割中取得了显著的性能提升。AFENet 的设计不仅解决了现有方法在网络参数适应性和频率特征交互方面的不足，还为未来遥感图像分割研究提供了新的思路。论文源码。

A Multiscale and Multidirection Feature Fusion Network for Road Detection From Satellite Imagery