针对复杂野外露头环境下极薄砂泥岩互层难以精准分割的难题，提出了一种基于残差注意力机制与渐进特征金字塔的语义分割网络—AFPN-ResUNet。该方法通过结构优化的RE-CBAM模块动态抑制植被、阴影、风化碎屑等背景噪声，同时采用渐进式特征融合策略（AFPN）逐级弥合不同层级特征之间的语义鸿沟，有效保留了极薄岩层的连续边界与空间完整性。在此基础上，构建了基于多尺度特征自适应加权融合的解码架构，实现了对露头图像中砂岩、泥岩等岩性的像素级精准分类。
图1 AFPN-ResUNet整体网络架构
图1展示了AFPN-ResUNet的整体网络架构。该框架以ResNet-50为编码器主干，在其中嵌入通道与空间双注意力机制（RE-CBAM），从而在特征提取前端即对非地质干扰进行过滤；在跳跃连接处引入渐进特征金字塔网络（AFPN），通过自适应空间特征融合（ASFF）对不同层级的特征进行逐级加权融合，解决了深层网络多次降采样导致的薄层信息丢失问题。最终，对称解码器结合底层边缘特征（IFES）恢复空间分辨率，输出高精度的岩性分割掩膜。
图2 不同模型的分割性能比较。子图重点展示了特定的环境与结构干扰因素：(a) 光照不均及阴影；(b) 风化碎屑与植被造成的遮挡；(c-e) 极薄的层间夹层；(f，g) 严重风化且崩解的露头区域。黄色虚线框用于标示存在显著差异的区域
图2为不同模型在复杂露头条件下的分割结果对比。在光照不均、植被遮挡、极薄互层及严重风化等典型干扰场景下，UNet、ViT、DeepLabV3+等主流模型均出现了边界模糊、错分或薄层断裂现象；而AFPN ResUNet则能够连续、完整地提取砂泥岩边界，尤其在1-2 cm厚的极薄泥岩夹层中仍保持清晰的几何轮廓。定量评价显示，该方法在测试集上的平均交并比（mIoU）达到93.41%，较UNet、ViT、SegNeXt等模型分别提升23.20%、23.92%和26.04%。消融实验与Grad-CAM++可视化进一步证实，RE-CBAM与AFPN的协同作用分别贡献了13.11%和13.98%的mIoU提升，体现了特征提纯与语义融合的互补优势。
研究成果近期发表在国际地学遥感领域权威期刊Remote Sensing。论文第一作者为tyc7111cc太阳成集团副教授唐明明，第二作者及通讯作者为tyc7111cc太阳成集团硕士生付康。该研究得到国家重大科技专项、国家自然科学基金和山东省自然科学基金等联合资助。
论文信息：Tang, M., Fu, K., Tian, L., Chen, W., Li, Y., Zhang, Z., & Ma, Z. (2026). AFPN-ResUNet: A Residual Attention Mechanism-Guided Asymptotic Feature Pyramid Network for Complex Outcrop Lithology Segmentation. Remote Sensing, 18(10), 1457. https://doi.org/10.3390/rs18101457
