基于注意力机制的UNet模型的洪水SAR图像研究

洪水灾害的快速蔓延对社会构成了巨大威胁,因此高效而准确的洪水监测技术显得尤为重要。合成孔径雷达(SAR)图像由于其独特的穿透性和无视天气限制的特点,在洪水监测中发挥着关键作用。然而,由于SAR图像的复杂性和噪声,传统的图像分割方法在洪水SAR图像上的应用仍然具有挑战性。通过引入空间注意力机制对UNet模型进行了改进,提出了一个编码解码结构模型USANet,旨在提高其在洪水SAR图像分割任务中的精确度。改进的UNet模型通过在编码解码端分别引入注意力机制来有针对性地增强对洪水特征的感知能力。实验结果显示,改进的UNet模型相较于传统UNet在洪水SAR图像分割任务中取得了显著的性能提升。通过定量评估,验证了注意力机制在提高模型对洪水特征敏感性方面的有效性,为未来在遥感领域的相关研究和应用提供了有益的指导。

基于深度学习的无人机遥感影像灾损评估

频发自然灾害威胁着人类的生命和财产安全,无人机机动灵活,采集的遥感图像分辨率高,结合深度学习图像分割技术可以高效地识别受灾目标、评估灾害损失。受灾后目标外观会发生很大改变,尤其是建筑物,受灾后整体结构被破坏,与周围的碎片、树木、道路等混淆在一起,难以有效区分各类目标。为此,提出了一个编码解码结构模型UDANet旨在增强目标间的长距离依赖关系,扩大感受野以提高目标识别精度。首先,UDANet模型编码端采用ResNet50作为特征提取器,在最深层特征处连接空洞卷积金字塔模块ASPP,在浅层特征处使用空间注意力机制PAM。然后,解码端对特定的浅层和深层进行融合后解码得到最终预测结果。最后,使用RescueNet数据集进行实验,实验结果 Pix_Acuray达到83.6%。