FACANet:一种基于傅里叶变换的对比对齐网络,用于在样本有限的情况下进行细粒度红树林分类
《Expert Systems with Applications》:FACANet: Fourier Aware Contrastive Alignment Network for Fine-Grained Mangrove Classification with Limited Samples
【字体:
大
中
小
】
时间:2026年08月28日
来源:Expert Systems with Applications 9.4
编辑推荐:
• 引入了Mangrove_HL1,这是一个用于红树林测绘的高质量HSI-LiDAR数据集。
• 提出了FACANet,一种利用有限样本进行精细红树林分类的模型。
• 基于傅里叶空间调制器的设计可以抑制栖息地噪声。
• 自适应跨模态积分器能够动态融合异构特征。
•
• 引入了Mangrove_HL1,这是一个用于红树林测绘的高质量HSI-LiDAR数据集。
• 提出了FACANet,一种利用有限样本进行精细红树林分类的模型。
• 基于傅里叶空间调制器的设计可以抑制栖息地噪声。
• 自适应跨模态积分器能够动态融合异构特征。
• 对比对齐机制有效减轻了长尾偏差,实现了95.34%的准确率。
**引言**
红树林是分布在热带和亚热带海岸线上的木质湿地生态系统,在海岸保护、生物多样性维护和蓝碳封存方面发挥着重要作用(Taillardat, Friess, & Lupascu, 2018)。在气候变化和人类活动的双重影响下,迫切需要大规模、高分辨率的自动红树林物种分类方法来量化沿海蓝碳储量并指导保护规划。遥感技术已成为绘制红树林分布和监测其动态变化的主要工具,因为它能够在大范围内进行重复的非接触式观测。然而,物种级别的分类仍然具有挑战性。红树林群落通常位于生态交错带中,具有高度的空间异质性,因此优势物种在光谱上可能表现出较大的内在变异,同时不同物种之间也存在光谱相似性。仅依靠光学图像难以区分红树林各分类单元之间的强烈光谱重叠。结合使用机载高光谱成像(HSI)和光探测与测距(LiDAR)技术为这一问题提供了有效的解决方案:HSI提供连续的窄带光谱信息,能够捕捉叶片生物化学成分和冠层色素组成的细微差异;LiDAR则能够穿透冠层间隙,获取树木高度、冠层覆盖度及三维(3D)垂直结构等结构特征。由于这两种传感器通过不同的物理观测机制来描述红树林,它们的结合为物种级别分类提供了丰富的高维特征,从而显著提高了分类的准确性和鲁棒性(Wei, Zhang, & Ling, 2025)。
**深度学习在遥感数据中的应用**
深度学习极大地推动了植被制图及其它关键地球观测任务的进展(Xia & Huang, 2022; Yu & Pang, 2024)。近年来,除了传统的卷积神经网络(CNN)之外,遥感领域还涌现出多种先进的跨源数据解析架构,例如复杂的Transformer变体(Hu, Li, Li, Huang, & Tao, 2024)、局部-全局方向多层感知器(MLPs, Luo et al., 2025a)以及自适应模糊融合网络(Zhong, Shi, Sun, Wang, & Zhang, 2026),这些技术能够从异构的HSI和LiDAR数据中提取高度互补的特征。此外,前沿的态空间模型(如Mamba)也成功缓解了Transformer的计算复杂性问题,展现出在长序列空间-光谱建模中的巨大潜力(Li, Bhatti, Huang, Bruzzone, & Li, 2026; Shi, Wang, Sun, Fu, & Jin, 2026a; Shi, Shi, Sun, & Wang, 2026c)。同时,新的学习范式(如LiDAR引导的动态波段选择(Shi, Zeng, Sun, Shi, & Zhu, 2026b)、无监督的多模态LSTM适应(Hu et al., 2026)以及基于模型的无监督超分辨率技术(Li, Zheng, Gao, Han, Li, Chanussot, 2025; Li, Zheng, Gao, Ni, Huang, Chanussot, 2024)正在推动该领域向更高效、更鲁棒的表现形式发展。此外,自监督的元迁移学习框架、深度非局部先验和综合解混技术也在复杂场景下的高光谱目标检测和异常检测中展现出巨大潜力(Luo et al., 2025b; Ren, Han, Gao, Zhang, Wu, Zhang, 2025a; Ren, Wang, Gao, Wang, Huang, Zhang, 2025c)。然而,将这些通用架构直接应用于HSI和LiDAR结合的红树林分类时,往往无法获得最佳性能(Gao et al., 2025)。这种局限性与模型架构和多模态表示方式有关。传统CNN依赖于局部感受野,这限制了它们捕捉复杂红树林冠层全局拓扑结构的能力;并且处理包含数百个波段的高光谱序列时存在信息冗余和计算瓶颈。基于Transformer的架构虽然能够建模长距离依赖关系,但其标准自注意力机制的计算复杂度为O(N^2)(Han et al., 2022),在处理高分辨率、高维HSI和LiDAR数据时会带来显著的内存开销。此外,大多数现有的多模态融合策略仅限于数据级别堆叠或简单特征级连接,这些方法将多模态信息视为物理波段的简单累积,而没有在共享流形空间中建模光谱生物化学特性与3D冠层形态之间的内在非线性关系。
**面临的挑战**
尽管多模态遥感和深度学习取得了进展,但在复杂生境中的精细红树林分类仍面临三个未解决的挑战:
1. 高质量的多模态基准数据集非常稀缺,尤其是适用于严格像素级配准的红树林潮间带区域的机载HSI-LiDAR数据集较少,这限制了先进多模态解析算法的发展及其在公平、可重复条件下的评估。
2. 在标签样本有限的情况下,高效的多模态特征耦合仍然困难。红树林物种数据集往往表现出长尾类分布,其中稀有物种代表性不足,导致浅层融合方法难以捕捉HSI光谱序列与LiDAR导出的3D冠层结构之间的非线性关系,从而容易过拟合。
3. 栖息地异质性限制了跨区域泛化能力。区域环境差异、潮汐阶段和光照条件可能导致遥感观测结果的显著域偏移,因此在封闭数据集假设下开发的空间域模型在应用于大规模海岸监测时泛化能力较差。
**研究内容**
为解决这些问题,我们首先构建并标准化了一个用于红树林物种分类的高质量机载HSI-LiDAR数据集Mangrove_HL1,并开发了基于FACANet的精细多模态红树林分类模型。FACANet采用双分支架构,结合了显著性激励和方向性上下文聚合(DCA),以从高维异构输入中提取有用的特征;通过在深层网络中加入傅里叶空间调制器(FSM),利用快速傅里叶变换(FFT)对特征表示进行频率域调制,从而抑制栖息地相关噪声并增强域不变的表示;最后构建了自适应跨模态积分器(ACMI)以动态校正异构特征并减少分类偏差。
**主要贡献**
- 我们通过收集和标准化机载HSI-LiDAR数据集Mangrove_HL1,为精细红树林物种分类提供了一个高质量的多模态基准数据集。
- 提出了专为复杂红树林生境中的物种级别分类设计的FACANet,该模型整合了局部显著性激励和方向性上下文聚合,并使用ACMI融合异构光谱和结构信息。
- 利用频率空间调制机制实现了跨区域泛化,通过FSM减少对光照变化和环境噪声的敏感性,提高了模型在复杂环境变化下的鲁棒性。
- 提出了针对样本稀缺和类别不平衡的联合优化策略,通过跨模态对比损失在度量空间中约束特征聚类,有效减少了与红树林物种自然长尾分布相关的分类偏差。
**总结**
本研究的主要贡献包括:
- 开发了高质量的多模态基准数据集Mangrove_HL1,用于精细红树林物种分类;
- 设计了专门的多模态空间光谱架构FACANet,它集成了局部显著性激励和方向性上下文聚合,并利用ACMI融合异构光谱和结构信息;
- 提出了频率空间调制机制,通过FSM提高模型对光照变化和环境噪声的鲁棒性;
- 提出了针对样本稀缺和类别不平衡的联合优化策略,利用跨模态对比损失在度量空间中约束特征聚类。
**讨论**
FACANet在复杂红树林生境分类中表现出优异性能,本文讨论了跨模态特征对齐的作用,并评估了模型在有限训练样本下的泛化能力。
**结论**
为了应对多模态遥感数据中的噪声干扰、语义间隙和长尾类分布问题,本研究提出了FACANet框架。通过整合FSM、ACMI和SMCA模块,FACANet实现了频域调制、空间光谱融合和度量空间对齐的统一框架,有效提升了高光谱影像和LiDAR数据在精细红树林物种分类中的表现。
**利益声明**
作者声明不存在任何可能影响本研究工作的已知财务利益或个人关系。
作者:Dekai Li | Uzair Aslam Bhatti | Jiaxin Li | Songpeng Gong