HSANet：一种基于层次语义对齐网络（Hierarchical Semantic Alignment Network）的农田提取方法，该方法采用局部-全局自适应注入（Local-Global Adaptive Injection）技术来实现农田的精准识别

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：HSANet: Hierarchical Semantic Alignment Network via Local-Global Adaptive Injection for Cropland Extraction

　　

摘要：

农田地块的划分对于精准农业和环境监测至关重要，但由于光谱变化、边界模糊以及复杂的背景干扰，这一任务仍然具有挑战性。我们提出了HSANet，这是一个基于三项协同创新的高精度语义分割网络。首先，Local-Global Adaptive Injection（LGAI）模块通过两条路径融合局部和全局特征：局部分支使用MogaMambaEnhancer（MME）通过门控瓶颈和双向Mamba扫描捕捉细粒度纹理；全局分支使用GlobalMambaKernel（GMK）通过视觉状态空间建模和分解的大核卷积来模拟长距离依赖关系。其次，Global Pyramid Enhancer（GPE）头将特征金字塔中的传统细化卷积替换为全局卷积交互机制，从而结合全局上下文和局部细节共同增强多尺度表示。第三，Anisotropic Error Diffusion and Structural Consolidation Loss（AEDSLoss）通过迭代扩散识别结构上的重要错误，并施加调节后的焦点和几何惩罚来确保像素级别的准确性和拓扑一致性。在FGFD和FTW数据集上的广泛实验表明，HSANet始终优于现有的最佳基线模型，分别实现了87.25%/93.19%和72.26%/83.90%的mIoU/F1分数，凸显了其在高分辨率农业测绘方面的潜力。