一种基于多源数据融合的语义分割模型用于古滑坡检测
计算机视觉与模式识别
2025-06-27 v5
摘要
作为一种自然灾害，滑坡常给人类生命带来巨大损失，因此迫切需要对滑坡风险进行可靠检测。在检测对滑坡风险预警具有重要信息的古滑坡时，视觉模糊和小样本数据集等问题给利用遥感影像带来了巨大挑战。为提取准确的语义特征，提出了一种超像素级对比学习增强分割网络(HPCL-Net)，该网络通过HPCL增强从滑坡边界的局部显著特征提取，并在语义空间中融合来自高分辨率遥感影像和数字高程模型数据的异构信息。为充分利用珍贵样本，提出了一种基于全局超像素级样本对队列的对比学习方法，包括存储超像素级样本的全局队列构建和动量编码器的更新方案，可靠增强了语义特征的提取能力。所提出的HPCL-Net在黄土高原古滑坡数据集上进行了评估，实验结果验证了所提出的HPCL-Net大幅优于现有模型，其中mIoU从0.620提升至0.651，Landslide IoU从0.334提升至0.394，F1score从0.501提升至0.565。
引用
@article{arxiv.2308.01251,
title = {A Multi-Source Data Fusion-based Semantic Segmentation Model for Relic Landslide Detection},
author = {Yiming Zhou and Yuexing Peng and Daqing Ge and Junchuan Yu and Wei Xiang},
journal= {arXiv preprint arXiv:2308.01251},
year = {2025}
}