Page 164 - 《武汉大学学报（信息科学版）》2025年第9期

1892 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 9 月

post
pre
方式生成空间差分增强的特征 Fs i 和 Fs i ，整个 外，建筑物损伤程度的评估还需要尽量充分地综
过程为： 合各项线索，因此还依赖综合性更强的高级语义
pre′
sub
pre
As i = σ ( Conv 3 × 3 ( [ As i ,As i ] ) ) （7） 特 征 ，以 应 对 评 估 任 务 的 复 杂 性 。 基 于 以 上 考
post′ post sub
As i = σ ( Conv 3 × 3 ( [ As i ,As i ] ) ) （8） 虑，使用全局-局部特征融合模块分别提取全局特
pre pre pre′ pre
Fs i = Fc i ⊗ As i + Fc i （9） 征和局部特征并融合，以挖掘并协同全局和局部
post post post′ post （10） 线索，同时将模块放置于解码器的深层，增强网
Fs i = Fc i ⊗ As i + Fc i
最后，为了充分保持双时相特征中的原始信 络的高级语义提取能力，以提升网络对更复杂、
pre post 进行通道叠加，通过两个连续 模糊的伪变化情形的适应能力。在全局-局部特
息，将 Fs i 和 Fs i
的卷积层获得最终的融合特征，计算式为： 征融合模块中，全局特征和局部特征分别通过选
inter pre post ] ) ) （11） 择 性 扫 描 块（selective scanning block，SSB）和 分
f i = ReLU ( BN ( Conv 1 × 1 [ Fs i ,Fs i
fus inter ) ) ) （12）
f i = ReLU ( BN ( Conv 3 × 3 ( f i 层多尺度卷积块（hierarchical multi-scale convolu⁃
式中， BN 代表批归一化； ReLU 代表 ReLU 激活。 tional block，HMCB）两个核心模块提取。
通过 1×1 卷积充分交互双时相特征，获得中间特 1.3.1 模块总体结构
inter ∈ R H i × W i × 2C i 根据选择扫描块和分层多尺度卷积块的结
征 f i ，并通过 3×3 卷积进行维度压
缩，最终输出融合特征 f i ∈ R H i × W i × C i 。 合方式，全局-局部特征融合模块可分为全局-局
fus
1.3 全局-局部特征融合模块 部特征并联融合模块（GLFFM-H）和全局-局部
建筑物损伤程度的评估同时依赖全局和局 特征串联融合模块（GLFFM-V）。对于最深层特
fus
部 线 索 ，全 局 线 索 主 要 指 建 筑 物 周 围 的 环 境 变 征 f 5 ，首先，通过 GLFFM-V 生成语义增强的最
fus
out
化，包括建筑物周围大范围区域的地物类别和状 深层特征 f 5 ，然后，GLFFM-H 利用 f i out 与 f i ，以
态 变 化 ；局 部 线 索 主 要 指 建 筑 物 本 身 的 外 观 变 全局和局部协同的方式提取语义信息。两个模
化，如建筑物的结构破坏、顶面材料剥落等。此 块的结构图如图 3 所示。

图 3 全局-局部特征融合模块
Fig. 3 Global-Local Feature Fusion Module
GLFFM-V 设置在网络最深层，输入为 f i ， 分别送入 SSB 和 HCMB 分支，获得全局特征 f i G
fus
L
out ∈ R H i × W i × C i ， i = 5。SSB 通过中间特征 和局部特征 f i ，两类特征分别通过线性层和 DW
输出为 f i
mid ∈ R H i × W i × C i 与 HMCB 串联，引入残差结构改 卷积层进行调整并相加，并引入残差连接结构。
f i
相加后的特征通过归一化层和线性层进行深度
善梯度传播，并通过线性层和 DW 卷积增强模块
融合，通过像素洗牌和线性层进行上采样和维度
衔接。GLFFM-V 的计算过程为：
变换，减少上采样过程中语义信息的损失并获得
mid fus fus
f i = Lin ( SSB( LN ( f i ) ) )+ f i （13）
输出特征 f i - 1。GLFFM-H 的计算过程为：
out
out mid mid
f i = DWConv( HMCB( LN ( f i ) ) )+ f i （14） sq fus out
f i = Lin ( [ f i ,f i ] ) （15）
式中， Lin 为线性层； DWConv 为 DW 卷积； LN 为 G
sq
f i = Lin ( SSB( LN ( f i ) ) ) （16）
层归一化； SSB 为选择性扫描块； HMCB 为分层 L
f i = DWConv( HMCB( LN ( f i ) ) ) （17）
sq
多尺度卷积块。 G L
f i - 1 = Lin ( PS( Lin ( LN ( f i + f i ) )+ f i ) ) （18）
sq
out
GLFFM-H 的输入为 f i 和 f i ，输出为 f i - 1，
out
fus
out
式中， PS 为像素洗牌操作。
i ∈ { 4，5 }。 首 先 通 过 线 性 层 进 行 特 征 融 合 并 压 1.3.2 选择性扫描块
缩，获得压缩特征 f i ∈ R H i × W i × C i ，将 f i 归一化并 选择性扫描块的结构如图 4 所示，通过选择
sq
sq