MAPDNet:一种检测XCO2图像中羽流的方法

来源：南京信息工程大学学报·自然科学版杂志2025年第5期北京时间：

作者：邵鹏飞，胡凯，刘滋然，冯新龑，马科宇，章琪，姜闪闪，夏旻，叶小岭

单位：邵鹏飞,南京信息工程大学 江苏省大数据分析技术重点实验室, 南京, 210044,胡凯,南京信息工程大学 江苏省大数据分析技术重点实验室, 南京, 210044;南京信息工程大学 大气环境与装备技术协同创新中心(CICAEET), 南京, 210044,刘滋然,南京信息工程大学 江苏省大数据分析技术重点实验室, 南京, 210044,冯新龑,南京信息工程大学 江苏省大数据分析技术重点实验室, 南京, 210044,马科宇,南京信息工程大学 江苏省大数据分析技术重点实验室, 南京, 210044,章琪,南京信息工程大学 江苏省大数据分析技术重点实验室, 南京, 210044,姜闪闪,南京信息工程大学 管理科学与工程学院, 南京, 210044,夏旻,南京信息工程大学 江苏省大数据分析技术重点实验室, 南京, 210044;南京信息工程大学 大气环境与装备技术协同创新中心(CICAEET), 南京, 210044,叶小岭,南京信息工程大学 江苏省大数据分析技术重点实验室, 南京, 210044

摘要：检测温室气体羽流是碳排放监测的关键任务,目前相关算法中,对羽流边缘细节的分割精度还有提升空间.为此,本文提出一种基于多尺度注意力机制的羽流检测网络(MAPDNet).首先,采用多尺度池化条带卷积模块(MPSCM)补偿编码器降采样操作中稀释的高级语义信息,增强主要的羽流轮廓信息,减少细节信息的丢失.然后,采用关系注意力模块(RAM)建立特征之间的全局信息与局部信息交互,增强有用特征,降低特征图中冗余信息的比例,提高模型的分割精度.此外,引入上下文特征融合模块(CFFM)以便网络更好地理解上下文特征的信息,在恢复图像分辨率的同时,较好地将特征对齐,恢复空间位置信息.最后,利用边界增强模块(BEM)实现端到端训练,增强输出分割边界的细节,进一步提高分割精度.实验结果表明,MAPDNet模型能够从XCO2羽流图像中检测碳羽流,并在模拟羽流数据集上具有良好的分割性能,其分割精度优于现有方法.

关键词：碳排放;XCO2羽流;语义分割;多尺度特征融合;注意力机制

基金资助：国家自然科学基金(42275156)