DWFF-Net：一种带自适应动态权重的多尺度农作物系统栖息地识别方法
计算机视觉与模式识别
2025-11-27 v2
摘要
针对当前培育土地生态系统栽息地分类体系缺失、栖息地类型覆盖不完整以及现有模型难以有效整合语义与纹理特征，导致多尺度栖息地（如大尺度田块和微型栖息地）分割精度不足、边界模糊的问题，本文开发了包含15类培育土地系统栖息地的全面标注超高分辨率遥感图像数据集。进而提出了一种动态加权特征融合网络（DWFF-Net）。该模型的编码器采用冻结参数的DINOv3提取基础特征。通过分析不同类别图像与特征图之间的关系，引入数据级别的自适应动态加权策略进行特征融合。解码器融入动态权重计算网络以实现多层特征的全面集成，并采用混合损失函数优化模型训练。实验结果表明，在构建的数据集上，所提方法实现了平均交并比（mIoU）为69.79%，F1分为80.49%，优于基线网络分别提升了2.1%和1.61%。消融研究进一步确认了多层特征融合的互补性，有效提升了如田沟等微型栖息地类别的IoU。该研究为基于自适应多层特征融合的培育土地系统栖息地识别框架提供了技术支持，实现亚米级精度的栖息地映射，为细粒度培育景观监测提供了稳健的技术支撑。（完整代码仓库可通过GitHub访问，URL如下：https://github.com/sysau/DWFF-Net）
引用
@article{arxiv.2511.11659,
title = {DWFF-Net : A Multi-Scale Farmland System Habitat Identification Method with Adaptive Dynamic Weight},
author = {Kesong Zheng and Zhi Song and Peizhou Li and Shuyi Yao and Zhenxing Bian},
journal= {arXiv preprint arXiv:2511.11659},
year = {2025}
}
备注
30 pages,13 figures