基于CNN的深度学习模型用于滑坡检测比较分析
计算机视觉与模式识别
2025-04-08 v1
摘要
滑坡造成的社会和经济损失巨大，凸显了其作为全球范围内频发且破坏性强的自然灾害的重要性。最近在印度和尼泊尔北部发生的滑坡造成了重大 disruption，破坏了基础设施，威胁当地社区。卷积神经网络（CNNs）作为一种深度学习技术，在图像处理方面表现出色。由于其复杂的架构，先进的基于CNN的模型在滑坡检测方面优于传统算法。本工作旨在更详细地探讨CNN在滑坡检测中的潜力，重点比较基于CNN的模型以实现更好的滑坡检测。我们比较了四个传统语义分割模型（U-Net、LinkNet、PSPNet和FPN），并采用ResNet50作为背部编码器实现它们。此外，我们还实验了学习率、批量大小和正则化技术等超参数，以对模型进行微调。我们为每个模型计算混淆矩阵，并使用准确率、召回率和F1分数等性能指标对深度学习模型进行评估和比较。根据实验结果，LinkNet在四个模型中表现最佳，准确率为97.49%，F1分数为85.7%（精度84.49%，召回87.07%）。我们还 presented了所有像素级混淆矩阵结果以及训练每个模型所需时间的全面比较。
引用
@article{arxiv.2408.01692,
title = {A Comparative Analysis of CNN-based Deep Learning Models for Landslide Detection},
author = {Omkar Oak and Rukmini Nazre and Soham Naigaonkar and Suraj Sawant and Himadri Vaidya},
journal= {arXiv preprint arXiv:2408.01692},
year = {2025}
}
备注
Paper Accepted for presentation at IEEE 2024 Asian Conference on Intelligent Technologies (ACOIT)