MFGC-Net: Bridging and Fusing Multiscale Features and Global Contexts for Multitask Sea Ice Fine Segmentation
Notice bibliographique
Résumé
Sea ice segmentation from synthetic aperture radar (SAR) imagery is a key task in polar sea ice monitoring, which is crucial for global climate prediction and polar route planning. However, the existing sea ice segmentation algorithms for SAR images often fail to consider long-range contextual dependencies when capturing multiscale features, resulting in an inability to fully exploit multiscale global contextual information. To address this limitation, we proposed a novel encoder–decoder structure network for multitask sea ice segmentation. Initially, a cross-scale interaction module was constructed in the encoder that utilizes cross attention to seamlessly capture multiscale features, effectively bridging the semantic information gap between different layers. Subsequently, a context transformer block based on efficient multihead self-attention was developed to model remote dependencies across spatial and channel dimensions, thereby enhancing the extraction of multiscale global contextual information. Furthermore, a channel patch module was introduced that allows for the strategic refinement of differential features to emphasize changing areas and suppress artifacts. In the final stages, a refined multiscale feature fusion module was embedded in the decoder to strategically integrate the feature maps generated, thus iteratively merging layered features for enhanced segmentation. Our experiments on the AI4Arctic Sea Ice Challenge Dataset show that MFGC-Net achieves outstanding performance in multitask sea ice segmentation compared with current state-of-the-art methods, as demonstrated by both quantitative and qualitative results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».