Pour la tâche de segmentation des plans d'eau dans les images de télédétection, un réseau UNet amélioré par un module d'attention à fusion multi-échelle (A-MSFAM-UNet) a été proposé. Cette méthode réalise une segmentation de plans d'eau haute résolution de bout en bout dans la tâche de segmentation d'eau des images GF-2. Tout d'abord, pour remédier au problème d'insensibilité aux informations locales causé par l'opération de pooling global dans les modules d'attention précédents, un module d'attention à fusion multi-échelle (MSFAM) a été conçu, utilisant une convolution point par point pour fusionner l'information globale des canaux et une convolution séparable en profondeur pour compenser la perte d'informations due au pooling global. MSFAM est utilisé dans la partie fusion des caractéristiques après les connexions de saut de UNet pour redistribuer les poids des points caractéristiques afin d'améliorer l'efficacité de la fusion des caractéristiques et renforcer la capacité du réseau à acquérir des informations à différentes échelles. Ensuite, des convolutions à trous ont été utilisées dans le réseau principal VGG16 pour étendre le champ réceptif tout en agrégant des informations globales sans perte de résolution. Les résultats montrent que A-MSFAM-UNet surpasse les autres UNet améliorés avec attention par canal (SENet, ECANet), atteignant des scores moyens d'Intersection over Union (MIoU), de précision moyenne par pixel (MPA) et d'exactitude (Acc) de 96,02%, 97,98% et 99,26% respectivement sur le jeu de données de segmentation d'eau GF-2.

images de télédétection;module d'attention;convolution séparable en profondeur;fusion des caractéristiques;convolution à trous