我院大数据与人工智能团队在信息融合领域国际权威学术期刊Information Fusion（IF：17.405）发表题为 “DBSegFormer: A dual-branch framework based on multi-scale information fusion for semantic segmentation”（DOI: 10.1016/j.inffus.2026.104454）的研究论文。我院为该成果的第一完成单位，硕士研究生李峰而为论文第一作者，团队负责人业巧林教授为通讯作者。

 图1 DBSegFormer框架概览

       语义分割是实现精细化场景理解的核心计算机视觉技术，广泛应用于自动驾驶、遥感监测、农林生态感知和医疗影像分析等领域。然而，现有方法仍难以兼顾全局上下文建模、局部细节保留与计算效率：Transformer 擅长长距离语义建模，但易削弱高频细节；CNN 具有较强的纹理与边缘刻画能力，却受限于长距离依赖建模。针对上述问题，团队提出 DBSegFormer 双分支语义分割框架（图1）。主分支采用改进的 PEViT Transformer 编码器，引入增强重叠块嵌入、边缘增强模块（EEM）和对比增强注意力（CA），提升边界保持与前景—背景区分能力；轻量级 CNN 辅助分支用于提取纹理、边缘及小目标等局部细节。进一步设计多尺度注意力融合模块（MSAF），通过多速率空洞卷积和门控注意力实现尺度感知、内容自适应的跨分支特征融合，最终结合轻量化解码器完成高精度、高效率的语义分割。

       该模型在林冠分割、森林火灾监测等多个公开基准数据集上性能均优于主流基线方法，拓展应用于叶面积指数估算任务时也显著降低了估算误差。该成果为高精度语义分割模型设计提供了新的技术路径，在自然资源监测、农林数字化等领域具有广阔的应用前景。