增强的U-Net++用于改善滑坡检测中的语义细分.
Meng Tang1, Yuelin He1, Muhammed Aslam1
1Department of Computer Science, Aberystwyth University, Penglais, Aberystwyth SY23 3DB, UK.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
本研究引入了一种增强的U-Net++模型,用于准确的山体滑坡细分,改进灾害风险评估. ASK-UNet++模型实现了高精度,有助于更好地监测和应对山体滑坡.
科学领域:
- 地质科学和遥感技术
- 人工智能在地球观测中的作用
背景情况:
- 准确的山体滑坡检测和细分对于灾害风险管理至关重要.
- 挑战包括复杂的地形和有限的高质量标记数据集用于培训模型.
- 现有的方法往往难以处理山体滑坡影响地区的复杂细节.
研究的目的:
- 开发一种增强的深度学习模型,用于精确地对山体滑坡进行语义细分.
- 在复杂的地形中提高滑坡细分的准确性和稳定性.
- 通过使用特定的数据集,对拟议模型与传统方法的性能进行评估.
主要方法:
- 一个增强的U-Net++架构,名为ASK-UNet++,被开发用于语义细分.
- 该模型集成了多个尺度的特征提取和注意力机制.
- 在温chuan地区的CAS滑坡数据集上进行了实验.
主要成果:
- ASK-UNet++模型实现了97.53%的工会 (mIoU) 的平均交叉点.
- 记录了98.27%的子系数和96.04%的整体准确性.
- 拟议的模型显著优于传统的语义细分方法.
结论:
- 增强的U-Net++模型 (ASK-UNet++) 在滑坡细分方面表现出卓越的性能.
- 多尺度特征和注意力机制的整合提高了准确性和稳定性.
- 这种方法对推进山体滑坡监测和灾害应对策略具有重大潜力.
