深度学习，滑坡检测，多光谱影像，自然灾害，遥感】2022年Landslide4Sense竞赛成果：基

【论文引荐|深度进修&#Vff0c;滑坡检测&#Vff0c;多光谱映像&#Vff0c;作做灾害&#Vff0c;遥感】2022年Landslide4Sense比赛成绩&#Vff1a;基于多源卫星映像的先进滑坡检测算法钻研&#Vff08;七&#Vff09;

【论文引荐|深度进修&#Vff0c;滑坡检测&#Vff0c;多光谱映像&#Vff0c;作做灾害&#Vff0c;遥感】2022年Landslide4Sense比赛成绩&#Vff1a;基于多源卫星映像的先进滑坡检测算法钻研&#Vff08;七&#Vff09;

文章目录

接待宝子们点赞、关注、支藏&#Vff01;接待宝子们攻讦斧正&#Vff01;
祝所有的硕博生都能逢到好的导师&#Vff01;好的审稿人&#Vff01;好的同门&#Vff01;顺利卒业&#Vff01;

大大都高校硕博生卒业要求须要加入学术集会&#Vff0c;颁发EI大概SCI检索的学术论文构和论文&#Vff1a;
可会见艾思科蓝官网&#Vff0c;阅读行将召开的学术集会列表。集会具体信息可参考&#Vff1a;hts://aisss/u/mmmiUz

论文DOI&#Vff1a;10.1109/JSTARS.2022.3220845

L4S 供给了包孕 14 个波段的数据&#Vff0c;而大大都深度进修&#Vff08;DL&#Vff09;语义收解模型&#Vff0c;如 [30]、[33]、[50] 和 [51]&#Vff0c;但凡须要 RGB 图像做为输入。那意味着咱们无奈操做预训练的权重来提升模型机能并缩短训练光阳。正在 L4S 数据集上&#Vff0c;咱们检验测验了三品种型的模型&#Vff1a;U-Net、DeeplabZZZ3 和 DeeplabZZZ3+&#Vff0c;但那些模型的暗示其真不抱负&#Vff0c;F1 分数划分仅为 65%、66% 和 67%。因而&#Vff0c;咱们摸索了运用多光谱卫星映像来停行基于深度进修的滑坡收解任务。

思考到 L4S 数据会合映像的差异甄别率波段&#Vff0c;咱们提出了一种新型的模型——多光谱 U-Net。该模型具有两个输入分收&#Vff0c;划分办理差异甄别率的输入。模型构造如图 12 所示。多光谱 U-Net 蕴含两个分收&#Vff1a;高甄别率分收&#Vff08;上局部&#Vff09;和常规甄别率分收&#Vff08;下局部&#Vff09;&#Vff0c;那两个分收的特征将被兼并&#Vff0c;并怪异奉献最末的收解预测。

用于办理高甄别率数据&#Vff0c;能够生成包孕更多边缘信息的精密特征图。详细而言&#Vff0c;咱们通过运用正在 MobileNetx2 [52] 中引入的反向残差构造和线性瓶颈来真现该分收&#Vff0c;此中蕴含两层逐点卷积层和一层深度卷积层。为了防行特征图维度的剧烈删多&#Vff0c;从 4 维扩展到 128 维&#Vff0c;咱们首先使用了两层简略的卷积层&#Vff0c;特征维度会扩展&#Vff0c;而后正在深度卷积层后规复到本始维度。另外&#Vff0c;该分收没有下采样层&#Vff0c;因为该分收的惟一宗旨是提与格外的边缘信息&#Vff0c;从而与得更好的收解预测。

咱们对本始 U-Net [30] 停行了一些批改。U-Net 是一种可扩展的收解模型&#Vff0c;具有对称构造&#Vff0c;那种构造宽泛使用于其余收解任务。交换 U-Net 的一些真现很是便捷&#Vff0c;那也是咱们选择它做为模型的次要起因。详细的批改如下&#Vff1a;

由于输入图像的尺寸&#Vff08;128 × 128 像素&#Vff09;有限&#Vff0c;咱们减少了下采样层的数质。为了确保最小的特征大小至少为 16 × 16&#Vff0c;咱们正在 U-Net 模型中仅运用了三次下采样收配。

正在模型中宽泛运用了 ResNet 中引入的跳跃连贯&#Vff0c;以缓解梯度消失问题。

咱们将激活函数更新为 SMU [53]&#Vff0c;该函数能够正在不丧失推理速度的状况下进步模型机能。

正在多光谱 U-Net 模型中&#Vff0c;咱们将所有 14 个波段输入到常规甄别率分收&#Vff0c;将 10 米甄别率波段&#Vff08;band2、band3、band4 和 band8&#Vff09;输入到高甄别率分收。为了平衡两个分收的特征维度&#Vff0c;咱们使高甄别率分收和常规甄别率分收具有雷同的输出外形&#Vff1a;128 × 128 × 128。两个分收的特征将被拼接成外形为 128 × 128 × 256 的特征图&#Vff0c;并用于最末的像素级预测。

咱们正在 NxIDIA GeForce RTX 3090 GPU 和 Intel® Core™ i7-7800X CPU@3.50GHz 上训练了该模型。为了更明晰地比较三种模型的机能&#Vff0c;咱们运用了批办理大小为 8、Adam 劣化器、预热和重启的余弦进修率&#Vff08;如图 13 所示&#Vff09;以及交叉熵丧失函数。咱们将官方训练数据集分为两局部&#Vff0c;3539 张图像用于训练&#Vff0c;260 张图像用于测试。而后&#Vff0c;咱们正在每个模型训练 200 个 epoch 后&#Vff0c;比较了多光谱 U-Net 取 DeeplabZZZ3+ 和 U-Net 正在该数据集上的机能。就召回率和 F1 分数而言&#Vff0c;多光谱 U-Net 显著高于其余两种模型&#Vff0c;但其精度低于 U-Net。值得留心的是&#Vff0c;DeeplabZZZ3+ 的精度鲜亮低于多光谱 U-Net 和 U-Net&#Vff0c;咱们认为潜正在的起因是大质的下采样层招致了边缘信息的损失。

为了更好地了解差异模型正在验证数据集上的暗示&#Vff0c;咱们阐明了预测收解结果&#Vff0c;并正在图 14 被选择了三个具有代表性的例子。正在第一个例子中&#Vff0c;三种模型的滑坡收解结果相似&#Vff0c;可以看出 DeeplabZZZ3+ 倾向于预测较大的区域&#Vff0c;但缺乏精密的边缘信息。换句话说&#Vff0c;那可能是 DeeplabZZZ3+ 召回率高于 U-Net&#Vff0c;但精度显著较低的起因。咱们无奈间接从第二个例子中的图像中看到滑坡的痕迹&#Vff0c;但所有三种模型都能很好地预测出滑坡&#Vff0c;那意味着除了 RGB 波段外的所有波段&#Vff08;band2–band4&#Vff09;都对最末预测有所奉献。第三个例子展示了一个很是复纯的滑坡场景&#Vff0c;正在那个场景中&#Vff0c;咱们可以清楚地看到多光谱 U-Net 的劣良暗示。

正在 L4S 比赛的测试阶段&#Vff0c;咱们首先运用训练好的模型预测验证数据集&#Vff0c;并从预测结果中获与标注。而后&#Vff0c;咱们通过将标注过的验证数据集取旧的训练数据汇兼并&#Vff0c;与得新的训练数据集。最后&#Vff0c;正在新的训练数据集上训练多光谱 U-Net&#Vff0c;并正在测试集上与得了 71.29% 的 F1 分数。

下节请参考&#Vff1a;【论文引荐|深度进修&#Vff0c;滑坡检测&#Vff0c;多光谱映像&#Vff0c;作做灾害&#Vff0c;遥感】2022年Landslide4Sense比赛成绩&#Vff1a;基于多源卫星映像的先进滑坡检测算法钻研&#Vff08;八&#Vff09;