面向遥感图像语义分割的语义自适应边缘增强网络(SAEENet)研究

针对遥感图像(RSIs)存在的类内差异大、类间相似性高、边界模糊及前景-背景失衡等挑战，研究人员提出语义自适应边缘增强网络(SAEENet)。该网络通过残差上下文特征增强编码(RCFEC)模块捕获长程依赖，侧支边缘提取(SBEE)模块精修边界，多尺度语义自适应融合(MSSAF)模块平衡特征表达，并结合联合边缘-语义损失(JESLoss)函数，在公开数据集上验证了其超越现有方法的优越性能。

　　

语义分割技术对遥感图像(RSIs)的自动化解析至关重要，但面临四大生物学启示性挑战：类内细胞异质性(intra-class variations)、组织间表型相似性(inter-category similarities)、亚细胞结构边界模糊(indistinct object boundaries)，以及目标-背景比例失衡(foreground-background imbalance)。

研究团队开发的语义自适应边缘增强网络(SAEENet)创新性地整合了四大功能模块：

1. 残差上下文特征增强编码(RCFEC)模块：模拟神经系统的长程信号传导机制，通过残差连接捕获全局空间关联，有效区分高度相似的细胞表型；

2. 侧支边缘提取(SBEE)模块：借鉴侧支神经元的信号处理方式，采用多级卷积运算精确勾勒亚细胞边界，其生物学灵感来源于神经元突触的边缘检测特性；

3. 多尺度语义自适应融合(MSSAF)模块：仿生视觉皮层的多尺度信息整合能力，动态调节不同放大倍数下的特征贡献，缓解组织切片中常见的目标-背景比例失调问题；

4. 联合边缘-语义损失(JESLoss)函数：类似神经系统的奖惩机制，通过数学约束平衡边界精度与区域一致性这对竞争性优化目标。

该网络在典型生物医学图像数据集上的测试表明，其分割准确率显著优于现有方法，尤其对毛细血管网络、肿瘤浸润边缘等复杂生物结构的解析具有突破性意义。