计算机工程

作者：傅杨淦, 朱岚巍, 吴虹蓉, 陈方

单位：1. 桂林电子科技大学 计算机与信息安全学院, 广西 桂林 5410002. 海南空天信息研究院 海南省地球观测重点实验室, 海南 三亚 5720003. 可持续发展大数据国际研究中心, 北京 1000944. 中国科学院空天信息创新研究院 数字地球重点实验室, 北京 1000945. 长江大学 地球科学学院, 武汉 430000

关键词：珊瑚礁,遥感影像,图像分割,远跳连接,通道混洗,注意力机制

基金：海南省重点研发计划(ZDYF2020030); 广西创新驱动发展专项“中国-东盟地球大数据平台与应用示范”子课题(桂科AA20302022-3-2); 海南省重大科技计划项目(ZDKJ2019006)

珊瑚礁底栖物质信息提取在珊瑚礁遥感监测领域具有重要意义。SVM、最大似然法等传统珊瑚礁底栖物质信息提取方法存在精度不高、不够自动化、时间成本较高等问题。目前深度学习方法在语义分割领域已有广泛应用，且取得了较好的效果，为此，利用深度学习技术设计一种基于改进U-Net的分割网络模型，以进行珊瑚礁底栖物质信息提取。为了保留分割细节，对编码器的每个层级设置一种多输入的方式。将ResNet34的残差部分结构作为网络的编码器，以提取更丰富的特征。结合分解卷积、注意力机制和通道混洗操作设计一种新的特征提取块，并将其代替编码器、底层和解码器中的普通卷积层。同时，通过注意力机制来改善U-Net模型的远跳连接，对权重进行调整，以提高分割精度。在三亚地区的GF-2多光谱遥感影像上进行实验，提取的地物类别分别为健康珊瑚礁、白化珊瑚礁、藻类混合物、沙、浪花、深海区和陆地，通过面向对象方法并结合Google Earth影像进行目视解译以修订建立数据集。实验结果表明，该模型的平均交并比和平均F1值分别达到67.17%和78.7%，与常用的分割模型相比，其在视觉效果和评价指标上更优，消融实验结果也验证了改进模块的有效性。

来源：2023年第12期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第12期