MPCM-Net：多尺度网络集成部分注意力卷积与Mamba架构用于地面云图分割
机器学习
2026-02-17 v2 计算机视觉与模式识别
摘要
地面云图分割是光伏发电预测的关键研究领域。当前深度学习方法主要专注于编码器-解码器结构优化。然而，现有方法存在若干局限性：(1)依赖膨胀卷积进行多尺度上下文提取，缺乏部分特征的有效性和跨通道的互操作性；(2)注意力式特征增强实现忽略准确率与吞吐量之间的平衡；(3)解码器修改未能在层次化局部特征之间建立全局相互依赖，限制了推理效率。为此，我们提出MPCM-Net，一种集成部分注意力卷积与Mamba架构的多尺度网络，以提升分割精度和计算效率。具体而言，编码器包含MPAC，包括：(1)具备ParCM和ParSM的MPC模块，实现跨多尺度云形的全局空间相互作用；(2)结合ParAM和ParSM的MPA模块，提取带低计算复杂度的判别特征。在解码器侧，采用M2B模块通过SSHD缓解上下文损失，同时在空间和尺度维度上实现深度特征聚合，保持线性复杂度。作为本工作对社区的关键贡献，我们还发布了名为CSRC的数据集，这是一个清晰标注、精细分割基准，旨�克服现有公开数据集的关键局限性。CSRC上的大量实验表明，MPCM-Net在分割精度和推理速度之间实现了最佳平衡，优于领先方法。数据集和源代码将发布于https://github.com/she1110/CSRC。
引用
@article{arxiv.2511.11681,
title = {MPCM-Net: Multi-scale network integrates partial attention convolution with Mamba for ground-based cloud image segmentation},
author = {Penghui Niu and Jiashuai She and Taotao Cai and Yajuan Zhang and Ping Zhang and Junhua Gu and Jianxin Li},
journal= {arXiv preprint arXiv:2511.11681},
year = {2026}
}