基于残差空间通道压缩U型网络的海底平顶山探测方法

《Remote Sensing》：RSCU-Net: A Spatial–Channel Reconstruction U-Net for Seamount Segmentation Using GEBCO Bathymetry Faran Lin, Qingsheng Guan, Tao Zhang and Hongqin Liu

　　

研究人员提出了一种面向海底地形地貌识别的深度学习框架，用于从全球海洋测深数据中提取海底平顶山(seamount)结构。该工作针对传统卷积神经网络(CNN)在复杂地形特征提取中存在的通道冗余及空间信息损失问题，设计了残差空间通道压缩U型网络(RSCU-Net)。网络引入空间冗余抑制单元(Spatial Redundancy Unit, SRU)以自适应过滤无关背景特征，并结合通道冗余压缩单元(Channel Redundancy Unit, CRU)优化特征通道权重分布，同时集成选择性核多尺度模块(Selective Kernel Multi-scale Geomorphology Module, SK-MGM)以增强对不同尺度海山地貌的表征能力。实验采用通用水深图(GEBCO)2023数据集，并在西太平洋典型海山区进行训练与验证，结果表明该方法在交并比(IoU)、F1分数等指标上均优于现有主流分割模型，能够有效提升海底平顶山识别的精度与鲁棒性。

海底平顶山是海洋地质演化与板块构造研究的重要对象，其精准识别对于深海资源勘探、地质灾害评估及海洋环境监测具有重要意义。然而，全球海底地形复杂多变，传统的人工解译与基于规则的方法在处理大范围测深数据时效率低且泛化性差，而现有深度学习方法在特征提取过程中常因通道与空间冗余导致关键地貌信息丢失，尤其在小目标或不连续地形区域表现不佳。为此，研究人员构建了RSCU-Net网络，旨在通过多尺度特征融合与冗余抑制机制提升海山识别的准确性与稳定性。

在技术方法上，研究人员采用GEBCO 2023全球网格测深产品作为主要数据源，空间分辨率为15弧秒，覆盖西太平洋典型海山群区域。网络架构以U-Net为基础，将Res-SCConv模块嵌入跳跃连接中以重构跨阶段特征，并在输出端集成SK-MGM检测头。SRU通过可学习阈值筛选显著空间特征，CRU结合分组卷积与逐点卷积实现通道重标定，SK-MGM则利用多分支卷积与注意力机制自适应融合不同感受野的特征。训练过程中采用交叉熵损失与Dice损失的联合函数，并通过随机旋转、缩放及噪声增强提升模型泛化能力。

研究结果分为以下几个部分：

3.1 通道冗余压缩单元(CRU)

CRU将输入特征沿通道维度均等划分为上下两支，分别通过1×1卷积压缩计算量。上支结合3×3分组卷积(Group-wise Convolution, GWC)与逐点卷积(Point-wise Convolution, PWC)捕获通道间相关性，下支通过PWC扩展通道并与原始特征拼接以维持结构一致性。两支路经全局平均池化(Global Average Pooling, GAP)与softmax生成注意力权重，加权融合后均匀拆分并求和得到最终输出。该机制有效增强了海山边缘与坡度变化等关键地貌特征的响应，同时抑制平坦背景区域的冗余信息。

3.2 选择性核多尺度地貌模块(SK-MGM)

SK-MGM包含三个并行卷积分支，分别为1×1标准卷积、3×3标准卷积及膨胀率为2的3×3空洞卷积，各分支输出通道数一致。多尺度特征求和后经SKNet注意力单元生成分支权重，通过全局平均池化与ReLU非线性变换实现通道描述子的降维与归一化，最终加权融合得到多尺度增强特征。该设计使模型能够自适应聚焦于不同尺度的海山地貌，提升了对形态差异较大目标的识别能力。

3.3 RSCU-Net整体架构

RSCU-Net在U-Net编码-解码框架下，于跳跃连接处嵌入Res-SCConv模块，以在特征融合前抑制跨阶段冗余与噪声。SK-MGM作为最终检测头输出分割结果，实现了从浅层空间细节到深层语义特征的高效传递与优化。

3.4 损失函数设计

研究人员采用交叉熵损失(L_CE)与Dice损失(L_Dice)的线性组合，其中Dice损失以软Dice形式计算，缓解类别不平衡问题。两种损失权重相等，无需引入额外经验系数即可稳定收敛。

4. 数据集与标注策略

研究区域位于西太平洋海山群，训练集与测试集在空间上独立划分。标注过程结合坡度(S)与剖面曲率(k_prof)的统计分析，选取P90与P80分位数作为阈值，经形态学闭运算与孔洞填充生成二值掩膜，并由地质专家人工校正以确保地貌结构的连续性。

5. 实验与评估

实验在配备AMD Ryzen 5 7500F CPU与NVIDIA RTX 4060 GPU的工作站上进行，采用RMSprop优化器，学习率设为1×10^-4，输入分辨率512×512。评估指标包括准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1分数及交并比(IoU)。结果表明，RSCU-Net在西太平洋测试区及Suda海山独立验证集上均取得最优性能，尤其在复杂地形与小目标识别任务中表现出更高的稳定性。

在讨论部分，研究人员指出，SRU与CRU的冗余抑制机制显著降低了无关背景特征的干扰，而SK-MGM的多尺度注意力融合有效提升了模型对不同形态海山的适应性。与现有方法相比，RSCU-Net在保持较低计算开销的同时实现了更高的分割精度，适用于大范围海底地形自动解译。该研究发表于《Remote Sensing》，为深海地貌智能识别提供了一种高效且鲁棒的技术方案，对海洋地质调查与资源管理具有重要应用价值。