基于CBAM和Unet的遥感影像水体识别

打开文本图片集

摘  要：使用Unet深度学习技术，引入注意力机制CBAM（Convolutional Block Attention Module）动态捕捉图像的关键特征信息，并根据每个通道的重要性自适应地调整注意力权重，增强水体识别模型的表达能力和性能。通过实验验证，相比Unet水体识别模型，CBAM+Unet水体识别模型识别的河流在宽度、走向、轮廓上更接近真实河流，而且对河流的边线识别也更加精细，该模型的准确率、精确率、召回率、F1值、Kappa系数各项指标分别达到98.24%、98.73%、99.32%、99.02%、89.77%，Kappa系数和 Unet相比提高8.52%，说明CBAM+Unet水体识别模型具有更高的识别精度和水边线提取能力。（剩余8677字）