基于Res2Net的多尺度遥感影像海陆分割方法.docx

基于Res2Net的多尺度遥感影像海陆分割方法 摘要：遥感影像海陆分割在海岸线提取、海岛礁识别、近岸目标检测等方面具有重要的应用价值。然而，复杂多样的背景环境和海陆边界易导致出现海陆边界分割不准确的现象。针对上述问题，提出了一种基于Res2Net的多尺度遥感影像海陆分割网络——MSRNet，该网络利用深层卷积神经网络Res2Net提取影像的多尺度特征图，并利用压缩和注意力模块对不同尺度的特征图进行特征增强，以加强海陆弱边界信息；将增强后不同尺度的特征图上采样至原始影像大小，同时利用深度监督策略对不同尺度的预测结果进行损失增强。 海陆分割的重要性：遥感技术的快速发展为大范围海岸地区的研究提供了充足的数据支撑。在遥感影像上，将海洋区域和陆地区域进行有效的区分、实现快速高精度的海陆分割，在海岸线提取、海岛礁识别及近岸目标检测等方面具有重要的应用价值。 传统海陆分割方法：传统的海陆分割方法包括阈值分割法、活动轮廓模型法、区域生长法以及基于马尔可夫随机场的方法等，主要依靠影像中陆地和海域在灰度、纹理等方面的差异进行分割。在水陆交界灰度差异明显、水边线形状简单的情况下能够取得较好的分割结果，但是容易受噪声干扰，需要人为设置参数来调控结果，鲁棒性较差。 深度学习在海陆分割中的应用：近年来，深度学习特别是卷积神经网络（CNNs）在语义分割等领域取得了超越传统方法的优异成绩，为利用CNNs进进行遥感影像海陆分割提供了基础。文献以编码-解码架构为基础，构建了更深、更复杂的网络模型，以提高海陆分割的准确性和鲁棒性。 MSRNet网络架构：MSRNet网络架构主要由两个部分组成：特征提取模块和特征增强模块。特征提取模块使用Res2Net网络提取影像的多尺度特征图，特征增强模块使用压缩和注意力模块对不同尺度的特征图进行特征增强，以加强海陆弱边界信息。 实验结果：选取两组包含不同海岸类型的遥感影像数据集进行实验，结果表明，所提网络能够得到更准确的海陆分割结果和更加清晰完整的海陆边界，这为海岸线提取、海岛礁识别、近岸目标检测等应用提供了可靠的技术支撑。 结论：本文提出了一种基于Res2Net的多尺度遥感影像海陆分割网络MSRNet，该网络能够有效地解决海陆边界分割不准确的问题，并取得了较高的海陆分割准确性和鲁棒性，为海岸线提取、海岛礁识别、近岸目标检测等应用提供了可靠的技术支撑。