面积分类的双流全局-局部特征协作表示网络

矿区场景分类为地质环境监测和资源开发规划提供准确的基础数据。本研究融合多源数据，构建了多模态矿区土地覆盖场景分类数据集。矿区分类的主要挑战在于复杂的空间布局和多尺度特征。通过提取全局和局部特征，可全面反映空间分布，从而更准确地捕捉矿区场景的整体特征。我们提出了一种利用协作表示进行双分支融合的模型，用于将全局特征分解为一组关键语义向量。该模型包含三个关键组件：(1) 多尺度全局变换器分支：利用相邻的大尺度特征生成针对小尺度特征的全局通道注意力特征，有效捕捉多尺度特征关系。（2) 局部增强协作表示分支：利用局部特征和重构的关键语义集合细化注意力权重，确保矿区的局部上下文和细节特征有效集成。这增强了模型对细粒度空间变化的敏感性。（3) 双分支深层特征融合模块：融合两个分支的互补特征以包含更多场景信息。这种融合增强了模型区分和分类复杂矿区景观的能力。最后，本研究采用多损失计算以确保模块的平衡集成。该模型的总体准确率为83.63%，优于其他比较模型。此外，在所有其他评估指标上均实现最佳性能。