RTDNet：面向高分辨率卫星影像的赤潮探测网络

作者：崔宾阁; 方喜; 路燕; 黄玲; 刘荣杰^*

来源：中国图象图形学报, 2023, 28(12): 3911-3921.

• 赤潮探测
• GF-1 WFV遥感影像
• 语义分割
• 残差网络
• 注意力机制

目的 赤潮是一种常见的海洋生态灾害，严重威胁海洋生态系统安全。及时准确获取赤潮的发生和分布信息可以为赤潮的预警和防治提供有力支撑。然而，受混合像元和水环境要素影响，赤潮分布精细探测仍是挑战。针对赤潮边缘探测的难点，结合赤潮边缘高频特征学习与位置语义，提出了一种计算量小、精度高的网络模型RTDNet(red tide detection network)。方法 针对赤潮边缘探测不准确的问题，设计了基于RIR(residual-in-residual)结构的网络，以提取赤潮边缘水体的高频特征；利用多感受野结构和坐标注意力机制捕获赤潮水体的位置语义信息，增强赤潮边缘水体的细节信息并抑制无用的特征。结果 在GF1-WFV(Gaofen1 wide field of view)赤潮数据集上的实验结果表明，所提出的RTDNet模型赤潮探测效果不仅优于支持向量机（support vector machine,SVM）、U-Net、DeepLabv3+及HRNet(high-resolution network)等通用机器学习和深度学习模型，而且也优于赤潮指数法GF1＿RI(Gaofen1red tide index)以及赤潮探测专用深度学习模型RDU-Net(red tide detection U-Net)，赤潮误提取、漏提取现象明显减少，F1分数在两幅测试图像上分别达到了0.905和0.898，相较于性能第2的模型DeepLabv3+提升了2%以上。而且，所提出的模型参数量小，仅有2.65 MB，约为DeepLabv3+的13%。结论 面向赤潮探测提出一种基于RIR结构的赤潮深度学习探测模型，通过融合多感受野结构和注意力机制提升了赤潮边缘探测的精度和稳定性，同时有效降低了计算量。本文方法展现了较好的应用效果，可适用于不同高分辨率卫星影像的赤潮探测。

• 单位
  山东科技大学; 自然资源部第一海洋研究所