Physics-Aware Feature Calibration Network for Remote Sensing Image Segmentation

Junyi Wang

doi:10.1109/tgrs.2026.3725100

Physics-Aware Feature Calibration Network for Remote Sensing Image Segmentation

2026-08-18

0

PRE

AI

DOI：10.1109/tgrs.2026.3725100

原文链接

原文求助

摘要

En 中文

在遥感图像分割中，由复杂光照和地面物体引起的尖锐强度变化区域显著限制了分割精度。现有方法大多通过引入频域特征或依赖空间卷积来增强模型对这些区域的感知。然而，这些方法倾向于捕捉信号强度，在区分遥感图像中尖锐阴影与物体边缘方面存在局限性，因为它们具有相似的强度但源于不同的物理成因。通过理论分析，我们观察到真实边缘通常表现出各向异性的梯度分布，而阴影边缘在纹理扰动下则表现出伪各向同性的局部梯度统计特性。为此，我们提出了物理感知特征校准网络（PAFCNet）。物理校准模块（PCM）引入了一种受GLRT启发的可微分决策机制，将局部梯度二阶矩的各向异性分析转化为可学习的统计决策过程，从而自适应地增强理论分析在真实场景中的泛化能力。同时，频域分析模块（FAM）通过仿射变换（ATs）和参数化核函数（PKFs）构建多方向物体表示，并通过PCM过滤尖锐阴影的干扰。最后，双域融合模块（DFM）在物理校正的频域特征与空间特征之间执行交叉序列交互，从而缓解单域特征带来的语义模糊问题。实验结果表明，PAFCNet优于当前最先进的方法。源代码可在https://github.com/wangjunyi-1/PAFCN获取。

Keyword:

Frequency-related learning

gradient statistics

remote sensing

state space model

Physics-Aware Feature Calibration Network for Remote Sensing Image Segmentation

摘要

期刊

机构

引用论文