典型文献
基于双重注意力机制的CycleGAN海岸线自动提取方法
文献摘要：
将遥感图像进行像素级海陆分割是海岸线提取的一项基础性工作.由于海岸线的动态变化,获取精准的海岸线标记数据集比较困难,为此采用Google Aerial photo-Maps配对样本,在对Google Maps进行海陆二值化处理后构建了新的配对数据集.针对新数据集样本较少问题,在循环生成对抗网络(CycleGAN)模型的基础上,提出了基于双重注意力机制的DAM-CycleGAN.新模型全面考虑遥感图像和海陆二值化图像之间的结构相似性,改进了循环一致性损失,并设计通道注意力模块和空间注意力模块来凸显显著性特征和区域,以增强模型在小样本训练下的特征学习能力.在均方误差、平均像素精度和平均交并比(MIoU)三个评价指标上,与全卷积神经网络模型、DeepLab模型在多个规模数据集训练下的实验结果对比,改进模型转换的海陆二值化图像与真值图像更加吻合,MIoU值分别至少提高7％、6％以上,验证了所提方法的有效性和可行性.
文献关键词：
图像处理;遥感;循环生成对抗网络;注意力机制;循环一致性损失;小样本
中图分类号：
作者姓名：
卢鹏;张娜;邹国良;王振华;郑宗生
作者机构：
上海海洋大学信息学院,上海201306
文献出处：
引用格式：
[1]卢鹏;张娜;邹国良;王振华;郑宗生-.基于双重注意力机制的CycleGAN海岸线自动提取方法)[J].激光与光电子学进展,2022(12):82-92
A类：
B类：
双重注意力机制,CycleGAN,自动提取,遥感图像,行像,像素级,海陆分割,海岸线提取,基础性工作,记数,Google,Aerial,photo,Maps,二值化处理,新数据,循环生成对抗网络,DAM,二值化图像,结构相似性,循环一致性损失,通道注意力模块,空间注意力,显著性特征,增强模型,小样本,样本训练,练下,特征学习能力,均方误差,平均交并比,MIoU,全卷积神经网络,卷积神经网络模型,DeepLab,模数,集训,结果对比,改进模型,模型转换,真值,少提
AB值：
0.34909
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
