一种DeepLabv3+结构改进的高分遥感影像红树林边界识别方法

摘要

针对红树林自动监测与保护的迫切需求，文章提出一种DeepLabv3+改进模型的高分辨率遥感影像红树林的识别方案。改进方案主要包括在DeepLabv3+的ASPP(Atrous Spatial Pyramid Pooling)结构中，引入深度可分离卷积和SE(Squeeze and Excitation)注意力机制，以及在解码端加入CBAM(Convolutional Block Attention Module)注意力机制和多尺度融合技术，以提高模型对红树林关键特征的捕捉和表征能力，从而减少漏检和误检现象。经过严格的精度评价，改进后的DeepLabv3+模型在总体精度上达到了99.60%,在召回率、红树林类交并比(Mangrove-IoU)和类F1-score上也分别达96.05%、95.31%和97.60%。与原始DeepLabv3+、HRNet和PSPNet模型相比，改进模型在所有主要评价指标上表现更优，红树林的识别准确性和边界提取能力明显提升。应用分析也进一步验证了模型的泛化能力和应用潜力。研究成果可优化红树林的实时监测技术。

关键词

红树林边界识别 / DeepLabv3+ / 注意力机制 / 多尺度特征融合 / 语义分割 / 高分遥感影像