2025年07月14日
星期一
在低空经济蓬勃发展和空天信息产业快速崛起的背景下，多模态遥感智能解译技术已成为支撑空天地一体化监测体系的关键技术。安徽大学人工智能学院李成龙教授团队瞄准国家重大战略需求，聚焦空天协同感知前沿问题，在多模态遥感图像解译领域取得多项重要进展。近日，团队先后有两篇研究成果被遥感领域国际顶级期刊IEEE Transactions on Geoscience and Remote Sensing (TGRS)接收，一篇研究成果被遥感领域国际顶级期刊ISPRS Journal of Photogrammetry and Remote Sensing (ISPRS)接收。
赵志成副教授、谷娟娟同学、李成龙教授和西北工业大学黄钟泠副教授合作完成的研究论文“Guidance Disentanglement Network for Optics-Guided Thermal UAV Image Super-Resolution”被遥感领域顶级期刊ISPRS接收。该研究针对现有光学引导热成像超分辨率方法在夜间、雾天等恶劣条件下性能下降的瓶颈问题，解耦光学图像表征，构建了面向正常光照、低光照和雾障三种典型无人机场景的专用引导模块，通过属性感知融合动态聚合多场景特征，显著提升了复杂环境下的热成像图像质量。
图1 引导解耦网络
赵志成副教授、肖云副教授、李成龙教授与张卫同学在TGRS上发表了题为“Reflectance-Guided Progressive Feature Alignment Network for All-Day UAV Object Detection”（doi: 10.1109/TGRS.2025.3574963）的研究论文。该研究针对无人机在弱光及光照不均等复杂环境下多模态目标检测性能难以提升的问题，创新性地利用Retinex理论将可见光图像分解为反射率和光照分量，通过反射率引导的渐进式特征对齐网络，有效解决了复杂光照下的空间错位问题，显著提升了全天候目标检测的性能。
图2 反射率引导的渐进式特征对齐网络
肖云副教授、赵志成副教授、李成龙教授和王金发同学在TGRS上发表了题为“UAV Video Vehicle Detection: Benchmark and Baseline”（doi:10.1109/TGRS.2025.3534524）的研究论文。该研究针对高分辨率无人机视频中车辆目标密集、朝向任意、类别精细区分难的挑战，构建了面向无人机视频车辆细粒度检测识别任务的大规模基准数据集，并提出了相应的类别细化网络CRNet，通过建模时序信息和聚焦车辆判别性特征，有效应对了运动模糊和背景干扰，显著提升了车辆细粒度分类的精度。
图3 类别细化网络
未来，团队将继续面向低空经济和空天信息产业发展需求，深化多模态协同感知理论研究，加强关键技术攻关，为实现全天候、高精度、智能化的空天地协同监测提供有力支撑，助力空天信息技术创新发展和低空经济高质量发展。
新闻链接：https://www.ahu.edu.cn/2025/0703/c15059a370233/page.htm
网站内容来源于互联网，由网络编辑负责审查，目的在于传递信息，提供专业服务，不代表本网站平台赞同其观点和对其真实性负责。如因内容、版权问题存在异议的，请与我们取得联系，我们将协调给予处理（按照法规支付稿费或删除），联系方式：ahos@aiofm.ac.cn 。网站平台将加强监控与审核，一旦发现违反规定的内容，按国家法规处理，处理时间不超过24小时
版权所有：安徽省光学学会（社证字第 0156号）
地址：安徽省合肥市蜀山湖路350号中科院安徽光机所一号楼
EMAIL：ahos@aiofm.ac.cn
