基于改进Deeplabv3+的遥感滑坡分割提取模型

摘要

为了解决传统高分辨率滑坡影像分割方法在处理细节和模糊边界时性能受限的问题，提出了一种融合Swin Transformer网络、卷积块注意力模块(convolutional block attention module, CBAM)、位置注意力特征金字塔网络(position attention feature pyramid network, PA-FPN)与多层卷积解码器的增强型Deeplabv3+模型(SCPD-Deeplabv3+)。首先，对基线模型Deeplabv3+进行改进，采用Swin Transformer作为主干网络，在Deeplabv3+模型的空洞空间金字塔池化(atrous spatial pyramid pooling, ASPP)模块中引入CBAM,在解码器中集成PA-FPN,并在上采样过程中增加更多的卷积层；其次，对SCPD-Deeplabv3+模型进行训练；最后，将高分辨率滑坡影像测试集输入训练后的SCPD-Deeplabv3+模型中进行消融实验，并与U型网络(U-shaped network, UNet)、比例积分微分网络(proportional integral derivative network, PIDNet)、实时语义分割Transformer(real-time Transformer for semantic segmentation, RTFormer)等主流模型进行对比评估与可视化分析。结果表明：SCPD-Deeplabv3+的平均交并比、精度、召回率和F1-score分别达到90.18%、93.57%、94.47%和93.58%,比改进前的Deeplabv3+分别提高了3.39个百分点、1.45个百分点、3.90个百分点和3.51个百分点。所提方法有效提升了滑坡区域分割的精确度和细节复原能力，为遥感滑坡监测与灾害评估提供了可靠的技术手段。

关键词

计算机图像处理 / 滑坡分割 / Deeplabv3+ / Swin Transformer