高分辨率遥感图像 水体提取使用U-Net与跨层多尺度注意力融合
Chunyan Huang1, Mingyang Wang1, Zichao Zhu1
1School of Mathematics and Statistics, North China University of Water Resources and Electric Power, Zhengzhou 450046, China.
Sensors (Basel, Switzerland)
|September 27, 2025
概括
精确的水体从遥感提取得到了AMU-Net的改进. 这种新型的深度学习模型增强了特征识别和边界划分,以更好地监测水资源和洪水警告.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 遥感技术 遥感技术 遥感技术
背景情况:
- 从遥感数据中精确地提取水体,对于水资源管理和应对灾害至关重要.
- 挑战包括复杂的土地覆盖面,多样化的水体形态和光谱相似性,导致传统方法的准确性较低.
- 现有的深度学习模型,如卷积神经网络 (CNN),与水分化的多尺度特征和全球背景作斗争.
研究的目的:
- 开发一个先进的深度学习模型,AMU-Net,从遥感图像中精确提取水体.
- 增强特征识别,边界划分,在具有挑战性的环境中提高整体细分精度.
- 为水资源监测和洪水灾害预警系统提供有效的解决方案.
主要方法:
- 提议AMU-Net,一个基于U-Net的模型,包含一个改进的剩余连接模块,用于特征学习.
- 引入了多尺度注意力机制,集成道注意力和多尺度卷曲以实现高效的细分.
- 采用双重注意力门式调制模块和交叉层几何注意力融合模块来实现边界定位和准确性.
- 利用三重约束损失框架来优化全球分类,区域重叠和背景特异性.
主要成果:
- AMU-Net在欧盟 (IoU) 上实现了高交叉分数:GID数据集上的93.6%和WHDLD数据集上的95.02%.
- 与现有方法相比,该模型在识别水特征和划定边界方面表现出卓越的性能.
- 增强的特征学习,多尺度表示和注意力机制有助于提高细分精度.
结论:
- AMU-Net在遥感水体提取方面取得了重大进展,解决了传统CNN的局限性.
- 拟议的模型为水资源管理和洪水预测等关键应用提供了强大而准确的解决方案.
- 未来的工作可能需要进一步完善注意力机制和损失函数,以获得更高的精度.
