摘要
高分辨率遥感图像分割对于城市测绘而言非常重要，但由于光谱模糊性、大规模变化、零散的细长结构以及背景干扰，这一任务仍然具有挑战性。本研究旨在通过结合局部特征提取、选择性多尺度融合以及全局序列建模，提升复杂航空场景中的语义分割性能。我们提出了DSD-Mamba，这是一种采用ResNet-18编码器的非对称双流架构。密集-稀疏金字塔融合模块可对多层特征进行对齐，并通过双重Top-k选择性值聚合来实现跨尺度响应过滤及背景响应抑制。该Top-k操作被用作特征选择机制，并非用于降低密集注意力的理论内存占用。尺度感知条带注意力则通过横向和纵向依赖关系建模来优化跳过连接，而双流上下文解码器则在上采样过程中结合基于Mamba的全局分支与基于CNN的局部分支。实验在UAVid、ISPRS Vaihingen和ISPRS Potsdam数据集上进行，采用单模型推理方案且未使用测试时增强技术。DSD-Mamba在这三个数据集上分别取得了73.4%、85.2%和87.2%的mIoU得分。在Vaihingen数据集上的消融实验表明，在该评估环境下，DSPFM、SASA和DSCD均能提升性能，其中完整模型的mIoU得分最高。该方法在所测试的方案中提升了分割精度，不过其较高的FLOPs值表明其设计更注重精度而非轻量化。
