Para a tarefa de segmentação de corpos d'água em imagens de sensoriamento remoto, foi proposta uma rede UNet aprimorada com um módulo de atenção de fusão multiescala — A-MSFAM-UNet. Este método realiza a segmentação de corpos d'água em imagens de alta resolução de sensoriamento remoto de ponta a ponta na tarefa de segmentação de água em imagens GF-2. Primeiro, para lidar com o problema da insensibilidade à informação local causada pela operação de pooling global em módulos de atenção anteriores, foi projetado um módulo de atenção de fusão multiescala (MSFAM), que utiliza convolução pontual para fundir informações globais dos canais e convolução separável em profundidade para compensar a perda de informações causada pelo pooling global. MSFAM é usado na parte de fusão de características após as conexões de salto do UNet para redistribuir os pesos dos pontos de características, aumentando a eficiência da fusão de características e fortalecendo a capacidade da rede de obter informações em diferentes escalas. Em segundo lugar, convoluções dilatadas são usadas na rede principal VGG16 para expandir o campo receptivo, agregando informações globais sem perda de resolução. Os resultados mostram que o A-MSFAM-UNet supera outros UNet aprimorados com atenção de canal (SENet, ECANet), alcançando uma média de interseção sobre união (MIoU), precisão média por pixel (MPA) e acurácia (Acc) de 96,02%, 97,98% e 99,26%, respectivamente, no conjunto de dados de segmentação de corpos d'água GF-2.

imagens de sensoriamento remoto;módulo de atenção;convolução separável em profundidade;fusão de características;convolução dilatada