传统梅斯卡尔生产中自然发酵的龙舌兰汁液发酵过程中的细菌和真菌群落特征

《Fermentation》:Bacterial and Fungal Community Profiles During Spontaneous Agave cupreata Must Fermentation for Ancestral Mezcal Production

【字体: 大 中 小 】 时间:2026年08月29日 来源:Fermentation 3.3

编辑推荐:

  遥感语义分割在城市规划和环境监测等应用中对于提取细粒度空间信息至关重要。然而,现有方法在复杂城市场景内建模异构空间关系时面临重大挑战,其中语义相关区域在空间上分散但在功能上相互依存。传统的卷积神经网络表现出有限的感受野,无法捕捉长程依赖关系,而基于Transf

  
遥感语义分割在城市规划和环境监测等应用中对于提取细粒度空间信息至关重要。然而,现有方法在复杂城市场景内建模异构空间关系时面临重大挑战,其中语义相关区域在空间上分散但在功能上相互依存。传统的卷积神经网络表现出有限的感受野,无法捕捉长程依赖关系,而基于Transformer的方法虽然能捕捉全局依赖关系,但未明确对区域异构性进行建模,导致边界模糊和类别混淆。为了解决这些局限性,本文提出了一种新颖的多关系感知分割框架,该框架利用超图理论动态建模跨非相邻区域的高阶语义分组。其核心创新在于一个超图结构学习单元,该单元采用模糊聚类将多尺度特征划分为自适应超边集,从而实现空间分布实体之间拓扑关联和功能依赖的联合表示。此外,多尺度协同建模策略将随机特征掩码与加权融合相结合,以弥合语义抽象与空间定位之间的差距。实验表明,研究人员提出的方法在LoveDA、Vaihingen和Potsdam数据集上实现了最先进的平均交并比性能,获得的mIoU分数分别为54.70%、85.01%和87.64%,分别比现有最佳方法提高了0.30%、0.91%和0.08%。
随着高分辨率遥感技术的进步,遥感语义分割在城市规划、环境监测、灾害管理和土地利用分析等应用中起着至关重要的作用,能够准确区分和分类建筑物、道路、植被和水体等各种土地覆盖类型。然而,复杂城市场景中的细粒度类别(如新旧建筑类型的区分、工业区和仓储区的区分)和空间异构性(如密集城区与绿地交织分布)对现有方法构成了重大挑战。传统卷积神经网络(CNN)受限于固定的感受野范围,难以建模远距离区域间的语义依赖关系,例如道路与远处建筑物的功能关系;而基于Transformer(一种基于自注意力机制的深度学习架构)的方法虽能通过自注意力机制捕捉全局关联,却未能显式建模区域异构性,如区域间的语义差异或空间布局变化,导致分割边界模糊和类别混淆。现有混合架构虽结合了CNN和Transformer的优势,增强了复杂场景的表示能力,但其特征聚合框架在显式构建区域级关系结构以组织多个空间分离区域间的相互作用方面仍存在局限,无法充分表示空间分布区域间的异构关系。为了克服静态建模框架的局限性,研究人员提出引入超图作为异构空间关系的动态建模工具,以解决保留局部细节和理解全局上下文的双重挑战。研究人员提出了一种多关系感知语义分割框架,即用于遥感分割的超图网络,该研究得出结论,通过超图建模高阶异构空间关系并结合多尺度特征交互,能够有效提升复杂遥感场景的分割精度。这一研究为遥感场景中复杂空间语义的精确解析提供了新颖的方法论支持。该论文发表在《Fermentation》。

研究人员在开展此研究时,主要采用了以下几个关键技术方法。首先,提出了一个超图驱动功能语义模块(HFSM),该模块利用模糊C均值聚类(FCM,一种软聚类算法)将多尺度特征节点划分为动态超边集,以捕捉多个空间区域间的高阶语义关系,通过超图卷积机制实现非局部信息传播。其次,设计了一个多尺度协同建模模块(MCM),通过随机特征掩码引入受控扰动,并结合自适应加权融合,以增强跨尺度特征的鲁棒性。此外,模型采用了结合Softmax交叉熵损失和Dice损失的混合损失函数进行训练。在样本队列来源方面,研究使用了LoveDA、ISPRS Vaihingen和ISPRS Potsdam三个公开的遥感语义分割基准数据集的图像队列,未使用其他额外数据集进行监督训练。

与现有最先进方法的比较
通过与基于CNN和Transformer的现有方法在LoveDA、Vaihingen和Potsdam数据集上进行对比实验,研究发现提出的HyperNet模型取得了竞争力的分割性能。在LoveDA数据集上取得了54.70%的平均交并比,在Vaihingen数据集上取得了85.01%的mIoU,在Potsdam数据集上取得了87.64%的mIoU。这表明在复杂遥感场景中建模异构空间关系是有效的。然而,在Potsdam数据集上,SFA-Net取得了更高的F1分数,说明该方法并非在所有评估指标上均占据绝对优势。类内误差分析进一步表明,HyperNet在大型结构化区域如不透水表面和建筑上表现优异,但区分不同植被类别仍是一大局限。

消融实验
通过在Vaihingen和LoveDA数据集上进行消融研究,评估了HFSM和MCM的贡献。结果表明,单独引入HFSM和MCM均能提升分割性能,其中HFSM通过引入高阶异构空间关系建模提供了更大的性能提升,而MCM通过鲁棒的多尺度特征交互提供了互补增益。两者结合使用时取得了最佳的联合提升效果。

扰动策略比例的影响
通过在Vaihingen数据集上评估不同扰动比例,研究发现0.1的扰动比例能取得最佳的分割性能。这是因为在增加特征尺度多样性和保持遥感图像语义一致性之间取得了关键平衡,过低的比例导致特征多样性不足,过高则破坏语义完整性。

节点聚类数的影响
通过评估不同节点聚类数对Vaihinger数据集的影响,发现性能随聚类数呈现非单调变化。中间值的聚类数能在粗略关系分组和过度超边碎片化之间提供更好的平衡,而改变该数值会导致模糊聚类隶属度的离散重组,进而影响超图构造和性能。

不同聚类算法的影响
对比不同的聚类算法构造超图,研究发现模糊C均值聚类取得了最佳总体性能。这是因为FCM为每个节点分配对多个聚类的连续隶属度,这种软分配自然对应节点与超边之间的关联强度,能够灵活处理异构遥感特征表示中的非排他性关联。

损失加权系数的影响
通过对Vaihingen数据集进行损失加权系数的敏感性分析,发现当系数为1.5时模型取得最佳性能。适度的Dice损失贡献有利于区域级预测,但权重过大则会削弱像素级分类与区域级监督之间的平衡。

计算复杂度分析
通过量化参数量、浮点运算次数(FLOPs)、推理延迟和峰值内存等计算开销,研究发现完整的HyperNet模型在提升mIoU的同时,增加了约12.0%的参数量和10.3%的FLOPs。其中HFSM由于涉及模糊聚类和超图构造占据了主要的额外计算成本,而MCM的额外开销则相对有限。

可视化
通过在三个数据集上进行定性可视化对比,结果表明,集成了超图感知模块和多尺度建模组件后,HyperNet在包含不同尺度和空间布局的场景中能够产生更连贯的预测,即便场景中包含尺寸差异较大的对象,也能生成更精确的边界。

在讨论部分,研究人员指出HyperNet在不同遥感场景中取得了竞争力的性能,但分割错误仍主要发生在边界模糊或小目标密集分布的低质量区域。由于不同评估指标对模型配置的反应不同,整体准确率(OA)受大像素比例类别影响较大,而mIoU和F1分数则赋予各类别同等重要性,因此应综合多指标评估模型。超图构建对聚类配置具有一定敏感性,性能随聚类数非单调变化。此外,性能的提升伴随着计算和内存开销的增加。在研究结论部分,论文提出了HyperNet,这是一个用于遥感语义分割的超图驱动框架,旨在建模地理分布区域间的高阶异构空间关系。HFSM通过模糊聚类构建自适应超边以学习高阶关系信息,而MCM增强了鲁棒的多尺度特征交互。实验证明了其最先进的mIoU性能,消融研究证实了两个模块的独立和互补贡献。尽管如此,当前框架仍存在未单独量化特定拓扑或功能关系、HFSM计算开销大、对聚类策略敏感以及植被和小目标分割待改进等局限。未来工作将聚焦于轻量级和鲁棒的超图建模、对象尺度感知表示学习以及更直接的关系级分析。
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