深度融合特征理解的遥感图像高效分类方法DUF-Net研究

针对遥感图像(RSI)分类中全局特征与细节保留难以兼顾、计算复杂度高的问题，研究人员提出基于2D CNN的DUF-Net模型。通过特征优化模块(CR)和权重映射模块(WM)实现空间特征重构与跨通道语义融合，在RESIC45等数据集上验证了其高效特征采样能力，为资源受限设备提供轻量化解决方案。

　　

遥感图像(RSI)分类是环境监测、灾害预警等领域的核心技术，但面临两大矛盾：高分辨率图像包含的全局场景与局部细节需同时保留，而传统方法往往通过堆叠模型复杂度换取精度提升，导致计算资源激增。现有解决方案如多头注意力机制虽能捕捉长程依赖，但其指数级内存消耗难以部署；2D卷积神经网络(CNN)虽计算高效，却受限于局部感受野，对相似场景易产生误判。这种"精度-效率"的失衡严重制约了RSI在边缘设备的实时应用。

针对这一挑战，研究人员提出DUF-Net模型，其创新性体现在三方面：首先通过特征优化模块(Character Refinement, CR)重构卷积运算过程，利用特征矩阵的全局协调能力增强空间细节表达；其次设计权重映射模块(Weight Mapping, WM)实现跨通道与多尺度特征的参数共享式融合；最终在仅使用RGB三通道输入条件下，达成分类精度与计算成本的平衡。该成果发表于《Expert Systems with Applications》，为轻量化RSI处理提供了新范式。

关键技术方法
研究采用2D CNN基础架构，核心模块包括：1) CR模块通过特征矩阵重排优化空间分布，消除卷积运算的局部性限制；2) WM模块采用分组参数共享策略动态整合通道与空间语义。实验使用RESIC45、UC Merced和RSSCN7三个公开数据集，其中RSSCN7包含7类400×400像素的谷歌地球图像，涵盖农田、森林等复杂场景。对比模型涵盖ResNet、ViT等传统方法与最新VMamba、RSMamba等注意力变体。

研究结果
Remote Sensing Image Classification
验证了DUF-Net在有限样本下的泛化能力，其通过CR-WM协同机制显著提升对相似场景（如水体与阴影区域）的区分度。

Preliminaries
理论分析表明，浅层CNN特征包含高频语义（如纹理细节），而深层特征侧重低频全局信息。DUF-Net通过WM的跨层交互实现特征互补。

Dataset
在RSSCN7跨季节数据测试中，DUF-Net对光照变化的鲁棒性优于Swin Transformer，印证了2D CNN在动态场景中的适应性。

Quantitative Analysis
对比12种主流模型显示，DUF-Net在UC Merced数据集上以89.7%准确率超越ResNet-50(86.2%)和ViT(88.1%)，且参数量减少37%。

结论与意义
该研究突破性地将CNN的局部采样缺陷转化为优势：CR模块通过数学重构使标准卷积具备全局特征协调能力，WM模块则以线性计算成本实现类注意力机制的效果。实验证实DUF-Net在保持2D CNN高效特性的同时，对多云、阴影等干扰因素的抗噪能力提升21.4%。这项成果不仅为边缘计算场景提供实用工具，更启示了传统架构的优化方向——通过特征层面的数学创新而非单纯结构堆叠来突破性能瓶颈。未来可探索CR-WM机制在时序遥感数据中的应用潜力。