Page 70 - 《武汉大学学报（信息科学版）》2025年第6期

1092 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 6 月

测每个位置的偏移量，使用特征同步函数 S 对各 对 齐 表 达 ，并 与 深 层 特 征 相 加 得 到 中 间 对 齐 特
个 位 置 上 的 偏 移 语 义 完 成 对 齐 ，实 现 粗 略 语 义 征。最后，将得到的特征相加，通过空间-通道注
特 征 同 步 。 然 后 ，粗 略 语 义 同 步 特 征 与 浅 层 增 意力模块进一步提升两个维度的特征映射表达
强特征经过 Warp 操作进行数据变换，提升特征 能力，实现特征同步。

图 3 阶段感知特征增强模块
Fig. 3 Stage-Aware Feature Enhancement Module

图 4 跨视角域特征同步模块
Fig. 4 Cross-View Domain Feature Synchronization Module

͂ h ͂ l
该过程的数学计算式为： F out = S( Conv 3 × 3 ( cat( F ,F ) ) ) （1）
H W
|
|
S = ∑∑ F h' F w ' ⋅ max ( 0,1 -| h + Δ 1hw - h' )⋅ max ( 0,1 -| w + Δ 2hw - w' ) （2）
h' w '
͂ h
͂ l
式中， F out 表示对齐后的特征；F 、F 分别为深层 以看出，损坏建筑表面的边缘不规则，其熵特征
特征和浅层特征；Conv 3×3 表示 3×3 的卷积层；cat 极其混乱，由此认为建筑损毁部分的边缘和熵混
表示将多个张量沿特定的维度合并；S 表示特征 乱程度与正常建筑表面的差异可能会帮助提升
同 步 函 数 ；H、W 分 别 为 特 征 图 的 长 度 和 宽 度 ； 检测效果。因此，本文提出了结合建筑边缘细节
( h，w )、 ( h' ，w')分别表示该目标深层、浅层特征的 特 征 和 熵 混 乱 程 度 的 Mask-Transformer 实 例 分
具体位置； Δ 1hw、 Δ 2hw 分别表示该位置的二维变换 割网络。如图 6 所示，该网络由 3 个模块组成，分
偏移量。 别是像素级特征提取模块、Transformer 注意力提
1.2 基于边缘特征和熵混乱程度的损毁建筑检 取模块以及检测模块。
测网络 首先，对齐后的特征经过像素级提取模块，
建筑正常与损毁状态下表达特征会有不同， 该模块由 U-Net 编码解码结构、Canny 边缘检测
但是差异并不明显。正常建筑与损毁建筑的边 分支和熵检测分支组成。对齐后的特征与两个
缘特征和熵混乱程度表达如图 5 所示。由图 5 可 分支得到的边缘特征和熵混乱特征融合，经过编