基于CBAM和Unet的遙感影像水體識別
打開文本圖片集
摘 要：使用Unet深度學(xué)習(xí)技術(shù)，引入注意力機(jī)制CBAM（Convolutional Block Attention Module）動態(tài)捕捉圖像的關(guān)鍵特征信息，并根據(jù)每個通道的重要性自適應(yīng)地調(diào)整注意力權(quán)重，增強(qiáng)水體識別模型的表達(dá)能力和性能。通過實(shí)驗(yàn)驗(yàn)證，相比Unet水體識別模型，CBAM+Unet水體識別模型識別的河流在寬度、走向、輪廓上更接近真實(shí)河流，而且對河流的邊線識別也更加精細(xì)，該模型的準(zhǔn)確率、精確率、召回率、F1值、Kappa系數(shù)各項(xiàng)指標(biāo)分別達(dá)到98.24%、98.73%、99.32%、99.02%、89.77%，Kappa系數(shù)和 Unet相比提高8.52%，說明CBAM+Unet水體識別模型具有更高的識別精度和水邊線提取能力。（剩余8677字）