WCMNet:一种基于小波引导与CNN-Mamba混合网络的无监督领域自适应建筑提取方法

《Remote Sensing》:WCMNet: A Wavelet-Guided and CNN–Mamba Hybrid Network Approach for Unsupervised Domain Adaptation in Building Extraction

【字体: 大 中 小 】 时间:2026年07月08日 来源:Remote Sensing 4.3

编辑推荐:

   摘要

  

摘要

随着遥感图像获取条件与成像场景的日益多样化,由于传感器及场景特征的不同,建筑提取模型在跨数据集应用中往往会出现性能显著下降的问题。因此,提升这类模型的跨领域泛化能力已成为一个重要的研究课题。为应对跨领域建筑提取中外观风格差异与特征分布变化带来的挑战,本文提出了WCMNet,这是一种基于小波引导与CNN–Mamba混合架构的无监督领域自适应方法。具体而言,该模型设计了Mamba小波对齐模块,用于在小波域中对低频风格信息进行对齐,同时保留高频边缘结构,从而有效减少跨领域外观差异,并降低领域转换过程中的结构损失。此外,还设计了全局-局部Mamba模块,用于同时建模局部纹理与全局语义关联。在该模块中,CNN分支负责捕捉细小的局部细节与边界特征,而Mamba分支则用于处理长距离的上下文信息;通过自适应的门控融合机制,这两种特征能够得到进一步整合。在WHU、马萨诸塞州及波茨坦数据集上的六项跨领域迁移任务实验结果表明,WCMNet的性能始终优于现有的最先进领域自适应方法。特别是在所有迁移场景下,WCMNet的平均IoU值达到65.13%,平均BIoU值达到74.80%,相较于最强的竞争方法,其IoU值提升了27.35个百分点,BIoU值提升了38.32个百分点。这些结果充分表明,所提出的MWA与GLMB模块有效地提升了建筑的完整性、边界识别精度以及跨领域的鲁棒性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号