Title Of The Magazine	遥感学报
Year Information	2024
KeyWord	地块分割，Field-Net模型，空间注意力机制，多任务学习，高分卫星数据
Authors	田富有, 曹玉佩, 赵航, 吴炳方, 曾红伟, 刘亚洲, 覃星力, 张淼, 朱亮, 朱伟伟
Intro	地块作为农业耕作的最小单元，对其精准识别是国土资源监测、耕地利用监测的需要。现有的方法多 使用手工勾绘的方式获取，耗时费力，成本高昂，并且无法实现实时、近实时更新。本文设计了一种基于空间 注意力机制与多任务学习的地块分割模型—Field-Net。模型基于UNet架构，增加了空间注意力机制，并采用多 任务学习的策略，在语义分割的基础上增加了边界、像素到地块边界的距离等任务。在山东省东营市利津县对 模型的性能进行了测试，结果发现耕地地块识别的交并比达到了87.05%，总体精度为92.23%。Field-Net模型的 性能优于几种高性能的深度学习框架，交并比较Link-Net模型高出0.26%，较DeepLab v3+高出7.59%。在空间泛 化性能测试中，Field-Net模型的平均交并比Link-Net模型高出3.51%，空间泛化性能明显提升。通过消融试验发 现，使用空间注意力机制的Field-Net较ResUNet模型F1-Score提高了1.01%，交并比提高了1.6%；多任务学习策 略使得Field-Net模型的F1-Score提高了0.18%，交并比提高了0.21%；将模型权重特征进行可视化后发现空间注 意力机制模块和多任务学习策略可以使模型学习到的特征更加聚集于地块边界和地块内部，使学习到的特征更 具代表性。总体而言，Field-Net模型可以支撑地块级别国土资源和耕地非农化、非粮化利用监测，从而提高监 测的效率和时效性。
Links To Magazines	https://doi.org/10.11834/jrs.20243191