融合残差注意力机制的深度可分离UNet泥石流堆积扇分割

TP751; 为解决传统机器学习方法在泥石流堆积扇识别中的精度低、效果差的问题,提出一种基于深度学习的残差注意力可分离UNet算法(RAMS-UNet).该算法在编码部分采用VGG16 主干网络进行特征提取,加深网络层次;在跳跃连接部分引入改进的注意力机制,强化信息传递;在解码部分使用深度可分离卷积和密集连接块,进一步增强空间和通道上的信息表达能力.研究结果表明:与其他算法相比,RAMS-UNet算法对泥石流堆积扇的分割精度更高,mIoU、mPA、PA和F1 指数等评价指标均显著提升.RAMS-UNet算法突破了传统方法在泥石流堆积扇识别中的局限性,为泥石流灾害评估提供了更加精准的信息支持....

Full description

Saved in:
Bibliographic Details
Published in辽宁工程技术大学学报（自然科学版） Vol. 43; no. 6; pp. 752 - 760
Main Authors 宋昕, 王保云, 朱双颖
Format Journal Article
LanguageChinese
Published 云南师范大学 数学学院,云南 昆明 650500%云南师范大学 数学学院,云南 昆明 650500 01.12.2024
云南师范大学 云南省现代分析数学及其应用重点实验室,云南 昆明 650500%昆明学院 建筑工程学院,云南 昆明 650500
Subjects
UNet算法
注意力机制
UNet algorithm
泥石流堆积扇
depth-wise separable convolution
语义分割
debris flow fan
attention mechanism
沟谷型泥石流
valley-type debris flow
semantic segmentation
深度可分离卷积
Online AccessGet full text

Cover

More Information
Summary:TP751; 为解决传统机器学习方法在泥石流堆积扇识别中的精度低、效果差的问题,提出一种基于深度学习的残差注意力可分离UNet算法(RAMS-UNet).该算法在编码部分采用VGG16 主干网络进行特征提取,加深网络层次;在跳跃连接部分引入改进的注意力机制,强化信息传递;在解码部分使用深度可分离卷积和密集连接块,进一步增强空间和通道上的信息表达能力.研究结果表明:与其他算法相比,RAMS-UNet算法对泥石流堆积扇的分割精度更高,mIoU、mPA、PA和F1 指数等评价指标均显著提升.RAMS-UNet算法突破了传统方法在泥石流堆积扇识别中的局限性,为泥石流灾害评估提供了更加精准的信息支持.
ISSN:1008-0562
DOI:10.11956/j.issn.1008-0562.20230487