融合残差注意力机制的深度可分离UNet泥石流堆积扇分割

摘要

为解决传统机器学习方法在泥石流堆积扇识别中的精度低、效果差的问题，提出一种基于深度学习的残差注意力可分离UNet算法（RAMS-UNet）。该算法在编码部分采用VGG16主干网络进行特征提取，加深网络层次；在跳跃连接部分引入改进的注意力机制，强化信息传递；在解码部分使用深度可分离卷积和密集连接块，进一步增强空间和通道上的信息表达能力。研究结果表明：与其他算法相比，RAMS-UNet算法对泥石流堆积扇的分割精度更高，m IoU、m PA、PA和F1指数等评价指标均显著提升。RAMS-UNet算法突破了传统方法在泥石流堆积扇识别中的局限性，为泥石流灾害评估提供了更加精准的信息支持。

关键词

泥石流堆积扇 / 沟谷型泥石流 / 语义分割 / UNet算法 / 注意力机制 / 深度可分离卷积

基金资助

国家自然科学基金项目（61966040）; 云南省科技厅地方高校联合专项（202001BA070001-171）