融合多源物理特征与双重注意力的 SegFormer 海冰提取方法

针对海冰尺度多样化导致特征提取困难及复杂背景干扰导致冰水辨识度低的问题，提出一种融合多源物理特征与双重注意力的 SegFormer 海冰提取方法。在辽东湾 HY-1C/D 卫星数据集上，mIoU 达 81.51%，较基线提升 5.88%。
海冰提取 SegFormer 多尺度注意力 遥感图像分割
01 · 研究背景与问题

海冰监测的挑战与痛点

海冰灾害严重威胁航运安全与海洋工程。现有深度学习方法在多尺度特征兼顾与复杂背景抗干扰方面仍存在不足。

尺度剧变
大面积冰盖与细碎流冰共存，单一模型难以同时捕捉全局上下文与局部细节，导致细碎海冰漏检严重。
光谱混淆
海冰与海水在可见光波段光谱重叠度高，冰水边界模糊，传统 RGB 输入难以提供足够判别特征。
背景干扰
近岸陆地纹理、云层等复杂背景噪声严重干扰冰水辨识，现有方法缺乏从数据到模型边缘的整体抗干扰体系。
81.51%
mIoU
90.28%
mPA
90.98%
Accuracy
+5.88%
mIoU 提升 (vs SegFormer)
02 · 方法架构

改进 SegFormer 网络总体架构

以 SegFormer 为骨干，从物理信息增强输入、SCSA-Inception 编码器、CPCA 引导解码器及边界感知复合损失函数四个层面进行系统优化。

1
物理信息增强输入
融合强度 I、NDWI 变体 (GB/GR) 及 HSV 明度分量 V，构建 7 通道输入，增强冰水光谱对比度。
多源物理特征
2
SCSA-Inception 编码器
Inception 多尺度卷积 (3×3,5×5,7×7) 结合空间通道协同注意力 (SCSA)，兼顾全局与局部特征。
多尺度注意力
3
CPCA 引导解码器
通道先验卷积注意力 (CPCA) 自适应加权特征，抑制陆地纹理噪声，放大海冰响应。
通道先验
4
边界感知复合损失
Sobel 算子提取边界，联合区域损失 (CE+Dice) 与边界损失，优化边缘细节。
边界约束
SCSA-Inception 模块
并行深度卷积 (3×3,5×5,7×7) 与恒等映射，经 SMSA 空间注意力和 PCSA 通道注意力融合，增强多尺度判别能力。
CPCA 引导注意力
全局平均/最大池化生成通道先验，校准 Q/K 向量，抑制噪声通道，提升复杂背景下的冰水辨识度。
03 · 实验结果

定量评估与对比分析

在辽东湾 HY-1C/D 海冰数据集 (8000 样本) 上进行验证，本文方法在 mIoU、mPA、OA 上均优于主流模型。

81.51
mIoU (%)
90.28
mPA (%)
90.98
OA (%)
+14.08
mIoU 提升 vs SAM-RS
模型mIoU (%)mPA (%)OA (%)
SAM-RS67.4379.7584.65
SCTNet68.0181.4083.18
CGGLNet74.3186.4787.32
SegFormer (基线)75.6386.9887.85
本文方法81.5190.2890.98
细碎海冰场景
SCSA-Inception 多尺度特征有效捕捉破碎流冰纹理，漏检率显著低于对比模型。
低对比度冰水
物理增强输入提升薄冰与海水光谱对比，改善低对比度区域的提取效果。
陆地共存背景
CPCA 注意力抑制陆地噪声，边界损失优化边缘，在剔除干扰的同时保留海冰细节。
核心发现：本文方法在核心指标 mIoU 上达到 81.51%，相较于 SAM-RS、SCTNet、CGGLNet 及 SegFormer 分别提升 14.08%、13.50%、7.20% 与 5.88%，验证了多模块协同设计的有效性。
04 · 结论与展望

总结与未来方向

本文提出的多模块改进方法系统克服了海冰尺度剧变与复杂背景干扰两大难题，为冬季航运与海洋工程提供了高精度监测工具。

多尺度特征兼顾
SCSA-Inception 模块融合多尺度卷积与协同注意力，有效平衡全局上下文与局部细节，解决尺度剧变难题。
抗干扰体系
物理增强输入 + CPCA 注意力 + 边界损失构成从数据到模型边缘的系统抗干扰方案，提升冰水辨识度。
显著精度优势
mIoU 81.51%，mPA 90.28%，OA 90.98%，较先进模型提升 5.88%~14.08%，鲁棒性强。
应用价值
为辽东湾冬季航运安全、海洋工程维护及核电站冷源取水安全提供高效精准的海冰监测手段。
局限与未来
依赖可见光成像质量，受云雾遮挡制约；跨传感器泛化能力待验证。未来将探索多模态数据融合与网络轻量化。