基于双重注意力机制的CycleGAN海岸线自动提取方法

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。