MEF-Net：基于Mamba的多域边缘特征融合网络，用于遥感图像中的城市基础设施检测

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：MEF-Net: Mamba-Based Multi-Domain Edge Feature Fusion Network for City Infrastructure Detection in Remote Sensing Images

　　

摘要：

及时检测城市基础设施对于城市规划、日常维护和灾害响应至关重要。遥感图像能够提供大规模的覆盖范围，从而实现对建筑物等关键设施的监测。然而，遥感图像中目标的任意方向、密集分布、小尺寸以及模糊的边界给准确检测带来了重大挑战。为了解决这些问题，我们提出了一种多域边缘特征融合网络（MEF-Net），该网络结合了Mamba算法和注意力引导的感受野机制，以增强边缘感知和多尺度特征融合能力。具体来说，基于Mamba的多尺度边缘融合与选择模块（Mamba-MEFS Block）融合了包括空间、频率、通道和多尺度特征在内的多域特征信息，并利用Mamba算法有效融合关键线索，从而缓解了边界模糊和尺度变化带来的问题。注意力引导的感受野交换模块（AG-RFI Block）通过注意力机制自适应地扩大感受野范围，结合空间和通道信息来提高对小目标和定向目标的感知能力。门控Mamba混合融合模块（GMSF-Block）采用门控机制抑制无关区域，从而提升特征选择和融合效果。基于感受野扩展的自适应多任务检测头（RFE-AMD）通过自适应的门控分解和组归一化，在保留局部细节的同时改善全局特征捕获能力。RFE-AMD支持水平和旋转物体的检测以及实例分割，以实现全面的基础设施分析。我们在四个公共数据集上进行了大量实验，并将其与46种检测和实例分割模型进行了对比。结果表明，MEF-Net在所有任务中均达到了最先进的mAP值，在复杂的遥感场景中表现出卓越的性能，同时实现了参数和推理速度的平衡。