RCACNet:一种融合跨层级多孔特征与注意力机制的深度卷积神经网络,用于稀土矿床预测

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:RCACNet: A Deep Convolutional Neural Network with Fused Cross-Level Atrous Features and Attention Mechanisms for Rare Earth Ore-forming Target Prediction

【字体: 大 中 小 】 时间:2026年03月11日 来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 6.3

编辑推荐:

  摘要:作为重要的国家战略性矿产资源,准确预测和勘探稀土具有至关重要的意义。本文介绍了RCACNet(一种结合跨层膨胀特征与基于注意力机制的卷积网络的稀土矿床预测网络),这是一种全新的卷积神经网络模型,旨在解决利用遥感图像预测离子吸附型稀土矿床时所面临的目标光谱相似性和尺度变化问题

  

摘要:

作为重要的国家战略性矿产资源,准确预测和勘探稀土具有至关重要的意义。本文介绍了RCACNet(一种结合跨层膨胀特征与基于注意力机制的卷积网络的稀土矿床预测网络),这是一种全新的卷积神经网络模型,旨在解决利用遥感图像预测离子吸附型稀土矿床时所面临的目标光谱相似性和尺度变化问题。该模型的有效性源于分层跨级特征融合路径与密集多孔空间金字塔池化模块之间的协同作用。通过将经CFF处理的特征作为增强型的跳过连接用于解码器,这一设计改进了传统的编码器-解码器结构,从而确保在用于重建之前,富含空间细节的特征能够得到语义上的净化。同时,密集多孔空间金字塔池化模块能够捕捉丰富的多尺度上下文,为最终预测提供全面的特征表示。此外,内置的注意力机制能够在特征提取过程中突出关键的光谱和空间差异特征,从而实现自适应的特征优化。这些机制共同提升了模型在光谱相似的背景中识别矿化目标的能力。研究团队使用中国南部典型丘陵地区的离子吸附型稀土矿区的遥感图像构建了测试数据集,并与U-Net、DeepLabV3+、HRNet、PSPNet等现有的语义分割网络以及基于视觉Transformer的模型进行了全面对比实验,以系统验证RCACNet的有效性与优势。实验结果表明,RCACNet在所有关键评估指标上均表现出最优性能,且提升效果显著。与基准模型相比,其性能提升了18.2%……
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号