在使用U-Net的滑坡语义细分中对损失函数和注意力机制进行比较研究
Vibha B Hegde1, S Girisha1, Dasharathraj K Shetty2
1Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, India.
Scientific reports
|January 7, 2026
概括
使用注意力机制的深度学习显著改善了使用多模式数据的山体滑坡检测. 这种增强的语义细分模型在从卫星图像和数字海拔模型中识别易受影响的区域方面实现了更高的准确性.
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:
- 滑坡检测对于减轻危险至关重要.
- 深度学习,特别是语义细分,已经推进了滑坡识别.
- 多模式数据集成为提高检测准确性提供了潜力.
研究的目的:
- 通过使用多模式数据 (卫星图像,DEM) 增强滑坡检测.
- 为了研究注意力机制对语义细分对滑坡识别的影响.
- 通过评估各种损失函数来优化模型性能.
主要方法:
- 利用U-Net模型作为语义细分的基线.
- 集成了一个注意力机制,以改进像素级预测.
- 训练和评估Bijie滑坡数据集上的模型,包括卫星图像,DEM数据和地面真相面具.
- 使用mIoU,F1得分和准确度等指标评估性能.
主要成果:
- 带有注意力机制的U-Net模型实现了0.76.7的工会 (mIoU) 的平均交叉点.
- 改进的模型报告F1得分为0.74和准确度为0.94.
- 注意力机制通过专注于关键区域来提高特征提取和细分精度.
结论:
- 注意力机制增强了深度学习模型,以更精确地检测滑坡.
- 整合多模式数据和优化损失函数导致优越的山体滑坡识别性能.
- 开发的模型显示了改善山体滑坡危险评估和缓解策略的巨大潜力.
