近日，软件学院杨公平教授团队在遥感图像分析研究领域取得突破性进展，其作为独立通讯作者（所指导研究生为第一作者）发表的2篇论文“Enhancing Multi-scale Representations with Transformer for Remote Sensing Image Semantic Segmentation”和“Exploring the Relationship between Center and Neighborhoods: Central Vector oriented Self-Similarity Network for Hyperspectral Image Classification”入选ESI高被引论文（Highly Cited Paper）。

论文一：Enhancing Multi-scale Representations with Transformer for Remote Sensing Image Semantic Segmentation

高分辨率遥感图像中的物体具有复杂的空间布局和较大的外观变化，现阶段的语义分割方法在精度和鲁棒性方面表现较差。卷积神经网络具有出色的提取局部特征的能力，但由于卷积操作固有的归纳偏置，它在建模长距离依赖关系方面不可避免地存在局限性。Transformer可以很好地捕捉全局表征，遗憾的是忽略了局部特征的细节，同时在处理高分辨率特征图上具有很高的计算和空间复杂性。本文提出了一种用于高分辨率遥感图像分割的新型混合结构，命名为EMRT，旨在利用卷积运算和Transformer的优势增强多尺度表征学习能力。Transformer中使用可变形自注意力机制来自动调整感受野，并据此设计编码器－解码器架构来实现高效的上下文建模。在编码器中，不同分辨率的局部特征和全局表征分别由CNN和Transformer提取，并以交互方式进行融合。此外，一个单独的空间分支被设计用于提取多尺度的上下文信息作为查询，不同尺度特征之间的全局依赖关系被解码器有效地建立。该研究工作发表在遥感领域顶级期刊IEEE T-GRS 2023（中科院一区）。

论文二：Exploring the Relationship between Center and Neighborhoods: Central Vector oriented Self-Similarity Network for Hyperspectral Image Classification

针对现有基于深度学习的方法中基于高光谱图像块处理模式下空间邻域信息挖掘不合适与不充分的现状，并考虑高效地光谱－空间特征提取问题，本文提出了一种用于高光谱图像分类的面向中心向量自相似度网络。如今基于深度学习的高光谱图像分类方法广泛地采用基于图像块的模型输入模式，但是这种模式下以图像块中心像元为核心的空间邻域信息没有被现有方法合理地挖掘。所提出的方法重点在模型的输入空间和特征空间对面向中心向量的空间关系进行自相似度建模并挖掘。针对高光谱图像丰富的光谱域信息，如何进行高效地光谱－空间特征提取也是一个重要的问题。因此，本方法设计了一种新的光谱－空间信息融合模式保证了高效地光谱－空间特征学习。该研究工作发表在图像处理领域顶级期刊IEEE T-CSVT 2023（中科院一区）。

ESI（Essential Science Indicators）是科睿唯安公司基于Web of Science核心合集（SCIE/SSCI）所收录的科技文献及其引用情况，建立的一系列计量分析指标。其各项排名主要依据论文被引频次，每两个月更新一次。其中，“高被引论文”（Highly Cited Paper）特指在ESI所划定的学科领域中，同一年发表论文被引次数排名全球前1%的学术论文。

（文/图：杨公平 责任编辑：刘士军）