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深度學習技術，引入注意力機制CBAM（Convolutional Block Attention Module）動態(tài)捕捉圖像的關鍵特征信息，并根據(jù)每個通道的重要性自適應地調(diào)整注意力權重，增強水體識別模型的表達能力和性能。通過實驗驗證，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、輪廓上更接近真實河流，而且對河流的邊線識別也更加精細，該模型的準確率、精確率、召回率、F1值、Kappa系數(shù)各項指標分別達到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）