一个轻量级的Deeplab V3+网络,集成了深度过渡转移学习和注意力机制,用于识别烧毁区域
Lizhi Liu1,2,3, Ying Guo4,5, Erxue Chen2,3
1College of Horticulture and Forestry, Tarim University, Alar, Xinjiang, 843300, China.
Scientific reports
|May 7, 2025
概括
一个新的轻量级深度学习模型从卫星图像中准确地绘制了烧毁地区的地图. 这种先进的方法提高了火灾检测和绘图效率,有助于森林保护工作.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 林业林业 林业 林业 林业
背景情况:
- 准确地绘制烧毁区域的地图对于了解火灾动态和影响至关重要.
- 现有的方法在从遥感数据中识别燃烧区域时,往往在准确性和效率方面扎.
研究的目的:
- 开发一种轻量级的深度学习模型,以从遥感图像中准确有效地识别烧伤区域.
- 为了提高识别能力和边缘细节准确度在燃烧区域绘制.
主要方法:
- 提出了一个基于Deeplab V3+架构的轻量级深度学习模型.
- 集成的MobileNet V2与卷积块注意模块 (CBAM) 作为骨干.
- 采用了使用ImageNet,WorldView-2和Sentinel-2数据集的深度转移学习 (DTTL) 策略.
主要成果:
- 在燃烧区域提取中实现了高精度,整体精度 (OA) 为92.97%,卡帕为0.819.
- 与现有方法相比,表现出更好的性能,培训时间缩短.
- 成功地应用了在希腊西部识别燃烧区域的方法,获得了93.58%的OA和0.8265.5的Kappa.
结论:
- 改进的Deeplab V3+模型有效地识别了森林燃烧的区域,提高了准确性和效率.
- 该方法为森林保护,监测和影响评估提供了有价值的数据.
- 注意力机制和转移学习的整合为远程传感图像分析提供了一个有前途的方法.
