混合轻型变压器,用于在遥感图像中高效地检测滑坡变化

科学领域:

• 地质科学 地质科学
• 遥感 遥感 遥感 遥感
• 人工智能的人工智能

背景情况:

• 卷积神经网络 (CNN) 用于滑坡检测,但与远距离依赖性作斗争,导致滑坡边界的细分不那么准确.
• 现有的方法往往只提取浅的空间特征,限制其捕捉复杂地质模式的能力.

研究的目的:

• 引入变化检测卷积变压器网络 (CDCTNet),这是一个用于准确地识别和细分山体滑坡的新型混合模型.
• 为了解决CNN在捕捉远程依赖性方面的局限性,并改进对滑坡边缘和边界的探索.

主要方法:

• 开发了CDCTNet,将轻量级的CNN编码器与基于变压器的注意力机制 (本地自我注意力和全球自我注意力) 集成在一起.
• 包含一个带有卷积块的解码器和一个封闭的注意区块,以保持远程依赖并确保高处理速度.
• 评估了Debrisflow,Landslide和Bijie数据集上的模型,将其性能与六种最先进的方法进行比较.

主要成果:

• CDCTNet获得了高的F1分数:76.56%的沉积流,72.06%的滑坡,和94.85%的Bijie.
• 该模型在准确性方面超越了以前的方法,同时展示了较少的计算开销.
• 与标准变压器模型相比,实现了更低的浮点运算 (flops) 和更少的可训练参数.

结论:

• 通过有效地结合CNN和变压器,CDCTNet提供了一种优越的土地崩细分方法.
• 该模型的效率和准确性使其适用于实时应用,包括基于云的山体滑坡监测.
• 混合架构成功地捕获了当地空间特征和全球依赖关系,这对于精确的山体滑坡绘图至关重要.