-
作者
宋昕王保云朱双颖
-
单位
云南师范大学数学学院云南师范大学云南省现代分析数学及其应用重点实验室昆明学院建筑工程学院
-
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
-
基金项目(Foundation)
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）；
-
文章目录
0引言
1模型构建
1.1 RAMS-UNet算法结构
1.2 VGG16网络
1.3 Res-CBAM注意力机制
1.4深度可分离卷积
1.5密集连接网络
2实验分析
2.1数据介绍
2.2参数设计及评价指标
2.3对照实验
2.4消融实验与数据集划分合理性分析
3结论
-
引用格式
[1]宋昕,王保云,朱双颖.融合残差注意力机制的深度可分离UNet泥石流堆积扇分割[J].辽宁工程技术大学学报(自然科学版),2024,43(06):752-760.
辽宁工程技术大学学报(自然科学版) 
2024年第06期 
