在基于改进的DeepLabv3+方法的遥感图像中检测滑坡的研究
1Yangtze University School of Geosciences, Wuhan, China. lyliiyong@gmail.com.
Scientific reports
|March 7, 2025
概括
一种新的轻量级滑坡检测模型,滑坡检测网络 (LDNet),通过使用MobileNetv2和双重注意力机制,提高了准确性和速度. 这种先进的模型提供了更好的滑坡检测性能,参数较少,训练时间更快.
科学领域:
- 地球科学 地球科学 地球科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 经典的语义细分模型在高分辨率图像中难以准确地提取滑坡边缘.
- 现有的模型往往具有大量的参数和长时间的训练时间,限制了它们的实际应用.
- 需要有效和准确的山体滑坡检测方法来应对灾害.
研究的目的:
- 提出一个轻量级和高效的山体滑坡检测模型,山体滑坡检测网络 (LDNet).
- 与现有的语义细分模型相比,提高了滑坡检测的准确性和速度.
- 为了减少模型参数和实时滑坡监测的培训时间.
主要方法:
- 开发了基于DeepLabv3+架构的山体滑坡检测网络 (LDNet).
- 用轻量级的MobileNetv2网络取代了Xception的骨干.
- 集成了一个双重注意力机制,使用卷积块注意力模块来增强特征检测.
主要成果:
- LDNet实现了高性能指标:93.37%的精度,91.93%的回忆,92.64%的F1分数,86.30%的IOU,89.79%的mIoU和95.28%的整体准确度.
- 与原来的DeepLabv3+模型相比,已经显示出显著的改进 (在所有指标中增加了13-14%).
- 在准确性,参数数量和训练速度方面表现优于其他模型,如UNet,PSPNet,HRNet和Swin Transformer.
结论:
- 拟议的LDNet模型在轻量级和精确的山体滑坡检测方面取得了重大进展.
- 由于LDNet的效率和准确性,它非常适合实时的山体滑坡监测和灾害响应.
- 该模型显示出强大的概括能力和在地质危险评估中广泛应用的潜力.
