-
题名基于多模态数据融合的改进中尺度涡检测模型
- 1
-
-
作者
李忠伟
刘格格
李永
徐斌
宫凯旋
-
机构
中国石油大学(华东)海洋空间与信息学院
中国石油大学(华东)青岛软件学院、计算机科学与技术学院
-
出处
《海洋预报》
CSCD
北大核心
2024年第2期53-62,共10页
-
基金
国家自然科学重点基金项目(62231028)。
-
文摘
提出一种基于多模态数据融合的改进中尺度涡检测模型。该模型以海平面高度数据为基础,首次将融合表层海温数据扩展为融合多深度层海温数据;将海温数据的深度层作为通道,嵌入通道注意力机制,使得模型能够关注于海水温度数据中最具有区分度的深度层;模型在编码及解码过程中采用残差学习单元,在加深网络深度的同时,更好地拟合激活函数,缓解训练问题,以提高模型的检测准确率。以中国南海部分海域为例开展实验验证,结果表明该中尺度涡检测模型准确率达到93.62%,模型具备有效性和可靠性。
-
关键词
中尺度涡
多模态数据
通道注意力
残差学习单元
深度学习
-
Keywords
mesoscale eddy
multimodal data
efficient channel attention
residual learning unit
deep learning
-
分类号
P731.2
[天文地球—海洋科学]
-
-
题名集成注意力机制和扩张卷积的道路提取模型
被引量：6
- 2
-
-
作者
王勇
曾祥强
-
机构
中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室
中国科学院大学资源与环境学院
-
出处
《中国图象图形学报》
CSCD
北大核心
2022年第10期3102-3115,共14页
-
基金
国家重点研发计划资助(2017YFB0503005)
中国科学院重点部署项目(ZDRW-KT-2020-2-2)
天津市科技计划项目智能制造专项项目(Tianjin-IMP-2)。
-
文摘
目的为解决当前遥感影像道路提取方法普遍存在的自动化程度低、提取精度不高和由于样本数量不平衡导致的模型训练不稳定等问题,本文提出一种集成注意力机制和扩张卷积的道路提取模型(attention and dilated convolutional U-Net,A&D-UNet)。方法A&D-UNet聚合网络模型以经典U-Net网络结构为基础,在编码部分引入残差学习单元(residual learning unit,RLU),降低深度卷积神经网络在训练时的复杂度;应用卷积注意力模块(convolutional block attention module,CBAM)从通道和空间维度两个方面优化分配权重,突出道路特征信息;并使用扩张卷积单元(dilated convolutional unit,DCU)感受更大范围的特征区域,整合道路的上下文信息。采用二进制交叉熵(binary cross entropy,BCE)和Dice相结合的复合损失函数训练模型,减轻遥感影像中样本数量不平衡导致的模型不稳定。结果在公开的美国马萨诸塞州和Deep Globe道路数据集上进行模型验证实验,并与传统的U-Net、Link-Net和D-LinkNet图像分割模型对比分析。在美国马萨诸塞州道路测试集上,本文构建的A&D-UNet模型的总体精度、F1分数和交并比等评价指标分别为95.27%、77.96%和79.89%,均优于对比算法,在测试集中对线性特征明显、标签遗漏标记以及存在树木遮挡的道路区域具有更好的识别效果;在Deep Globe道路测试集上,A&D-UNet模型的总体精度、F1分数和交并比分别为94.01%、77.06%和78.44%,且对线性特征明显的主干道路、标签未标记的狭窄道路以及阴影遮挡的城市道路都具有较好的提取效果。结论本文提出的A&D-UNet道路提取模型,综合了残差学习、注意力机制和扩张卷积的优点,有效提升了目标分割的性能,是一种提取效果较好、值得推广的聚合网络模型。
-
关键词
道路信息
残差学习单元(RLU)
卷积注意力模块(CBAM)
扩张卷积单元(DCU)
损失函数
-
Keywords
road information
residual learning unit(RLU)
convolutional block attention module(CBAM)
dilated convolution unit(DCU)
loss function
-
分类号
TP753
[自动化与计算机技术—检测技术与自动化装置]
-
