灯光变压器:一种高效的基于变压器的山体滑坡检测模型,用于高分辨率的遥感图像
Xu Wu1, Xuqing Ren1, Donghao Zhai1
1College of Computers Science and Cyber Security, Chengdu University of Technology, Chengdu 610059, China.
Sensors (Basel, Switzerland)
|June 27, 2025
概括
本研究介绍了Lights-Transformer,这是一个先进的深度学习模型,用于使用遥感检测滑坡. 它显著提高了识别容易发生山体滑坡的地区的准确性和效率.
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:
- 遥感对于自然灾害管理至关重要,特别是用于早期发现山体滑坡.
- 深度学习模型提高了滑坡检测效率,但在特征提取和计算复杂性方面遇到了困难.
- 现有的模型往往会丢失上下文信息,需要大量的计算资源.
研究的目的:
- 提出一个创新的滑坡检测模型,Lights-Transformer,以提高准确性和效率.
- 解决目前模型中不完整的特征提取,信息丢失和高计算复杂性的挑战.
- 改进自动化分析和快速识别受滑坡影响的地区.
主要方法:
- 开发了一个编码器-解码器架构,结合了多尺度的上下文信息和有效的注意力机制.
- 引入了用于增强多角度特征融合的融合块和用于更快推断的光细分头.
- 利用高分辨率遥感图像进行详细的特征提取.
主要成果:
- 与最先进的模型相比,Lights-Transformer实现了卓越的准确性,精度和计算效率.
- 在GDCLD数据集上表现出卓越的性能,mIoU为85.11%,准确率为97.44%,F1得分为91.49%.
- 实现了高回忆率 (91.52%) 和精度 (91.46%),表明了强大的滑坡识别能力.
结论:
- 灯光变压器有效地从遥感数据中提取详细的特征,以准确地检测滑坡.
- 该模型克服了现有方法的局限性,在滑坡管理中提供了更高的准确性和效率.
- 拟议的模型显示了加强自然灾害监测和应对系统的巨大潜力.
