Page 106 - 《渔业研究》2025年第6期

第 6 期 陈红梅等： 基于 Res-PGAUnet 的沿海养殖池塘遥感提取研究 797

率的 0.1 倍，迭代轮数 Epoch 为 150 次。
FLOPs= 2×c i ×k 1 ×k 2 ×w×h×c 0 （3）
为全面评价模型性能，本文选用交并比（ IoU） 、
F1-score、计算量（ FLOPs） 、参数量（ Params）
Params = （k 1 ×k 2 ×c i +1）×c 0 （4）
和训练验证时长（ T ）作为衡量指标，各评价指标
式（1）~式（4）中：TP 代表将正样本预测为
的定义如式（1）至式（4）所示。
正样本；FP 代表将负样本预测为正样本；FN 代表
TP
IoU = （1） 将正样本预测为负样本；c 、c 分别表示输入、输
0
TP+ FP+ FN i
出通道；k 、k 表示卷积核大小；w 和 h 分别表示
2
2TP 1
F1-score = （2）
2TP+ FP+ FN 特征图的宽和高。

1×1×C 1×1×C
通道注意力
Linear Linear
U cSE
Sigmoid
全局平均池化 ReLU
GAP 1×1×C/16 双注意力
× U scSE
C
+
H
1×1 Conv Sigmoid
W
W×H×1
×
空间注意力
U sSE
图 3 scSE 双注意力结构
Fig. 3 scSE dual-attention architecture

2 结果分析 构的 U-net 模型提升了特征提取能力和时空复杂度

表现，在运算的复杂度上显著降低，模型实现了充
2.1 精度评价
分轻量化。PPM 和 GB 的引入，进一步提升了养
为评估 Res-PGAUnet 模型各增加模块对养殖
殖池塘提取的精度，Res-PGUnet 的 IoU和 F1-score
池塘提取性能的影响，本研究在相同的训练条件下
指标较 Res-Unet 分别提升了 2.59% 和 1.55%。其
对各增加模块进行训练和测试，共得到四组实
深浅层与上下文 GB 采用的通道相加操作，以极高
验结果。其中，Res-Unet 表示在 U-Net 基础上引
的效率提供了强大的特征上下文信息，从而使得模
入 ResNet34；Res-PGUnet 表示在 U-Net 基础上同
型的编码器部分可以设计得更简单、更轻量，减少
时 引 入 ResNet34、 PPM 和 GB； Res-PGAUnet 则
较 Res-PGUnet 进一步加入了 scSE 模块。使用评价 了运算的通道数，进一步提升了时空复杂度表现。
指标对实验结果进行定量评价，结果如表 2 所示。 最后，scSE 模块的引入，有效抑除了冗余信息的
由表 2 结果可知，ResUnet 在 U-Net 模型基础 干扰，提取精度再进一步提高， IoU和 F1-score
上，使用 ResNet34 替换原有的 VGG 编码器结构， 分别达到 0.854 0 和 0.921 3，较 Res-PGUnet 分别提
通过引入残差连接，有效缓解了深层网络梯度的消 升了 0.89% 和 0.52%，同时时空复杂度也得到较好
失，使模型能够学习更复杂的光谱与空间特征。采 的控制。
用瓶颈结构，在保持特征提取能力的同时减少参数 2.2 测试结果展示分析
冗余，去除 VGG 中冗余的全连接层，直接通过卷 进 一 步 分 析 Res-PGAUnet 模 型 的 性 能 和 优
积层完成特征下采样，简化网络流程， IoU和 F1-score 势，将各模型的部分测试结果进行展示，定性分析
指标较 U-Net 分别提升了 2.75% 和 1.69%，FLOPs、 提取性能。部分区域预测结果如图 4 所示。
Params 和训练验证时长则分别降至 U-Net 的 12.00%、 图 4 中，A 区域蓄水连片池塘和高位池密集分

78.29% 和 52.99%，Res-Unet 较采用 VGG 编码结 布，且中间有光谱特征相近的河道干扰。基准模