MCD-Net：用于光学-only 红河体分割的轻量级深度学习基线
计算机视觉与模式识别
2026-01-07 v2
摘要
红河体分割对于重建过去的冰河动力学和评估气候驱动的地表变化至关重要。然而，红河体的光学对比度较弱，且高分辨率 DEM 可用性有限，导致自动化制图受到限制。本研究引入了首个大规模仅使用光学数据的红河体分割数据集，包含来自 Google Earth 的 3340 幅高分辨率图像，覆盖中国四川和云南的冰川区域。我们开发了 MCD-Net，一种轻量级基线模型，集成了 MobileNetV2 编码器、卷积块注意力模块（CBAM）和 DeepLabV3+ 解码器。与更深的主干网络（ResNet152、Xception）进行基准测试显示，MCD-Net 实现了 62.3% 的平均交并比（mIoU）和 72.8% 的 Dice 系数，同时将计算成本降低了超过 60%。尽管脊柱边界标记仍受像素宽度和光谱歧义的限制，但结果表明，仅使用光学图像即可提供可靠的红河体分割。数据集和代码已公开于 https://github.com/Lyra-alpha/MCD-Net，建立了可复现的红河体特定分割基准，为高海拔地区的冰川监测提供了可部署的基线方法。
引用
@article{arxiv.2601.02091,
title = {MCD-Net: A Lightweight Deep Learning Baseline for Optical-Only Moraine Segmentation},
author = {Zhehuan Cao and Fiseha Berhanu Tesema and Ping Fu and Jianfeng Ren and Ahmed Nasr},
journal= {arXiv preprint arXiv:2601.02091},
year = {2026}
}
备注
13 pages, 10 figures. This manuscript is under review at IEEE Transactions on Geoscience and Remote Sensing. Minor correction to abstract text