一种基于 Mask R-CNN 的改进滑坡检测新方法
计算机视觉与模式识别
2020-10-06 v1 机器学习
摘要
本文提出一种利用 Mask R-CNN 基于像素分割识别目标布局的能力，并结合迁移学习训练所提模型的滑坡检测新方法。创建了一个包含 160 个元素的滑坡与非滑坡图像数据集。所提方法包含三个步骤：（i）扩增训练图像样本以增加训练数据量，（ii）利用有限图像样本进行微调，（iii）在所用滑坡图像上，采用 ResNet-50 与 101 作为骨干模型，从精确率、召回率与 F1 度量评估算法性能。实验结果令人鼓舞：当使用 ResNet-101 作为骨干模型且以少量滑坡照片作为训练样本时，所提方法精确率达 1.00、召回率 0.93、F1 度量 0.97。该算法对丘陵地区土地利用规划者与决策者具有潜在用途，这些地区间歇性斜坡变形需将滑坡检测作为规划前提。
引用
@article{arxiv.2010.01499,
title = {A New Mask R-CNN Based Method for Improved Landslide Detection},
author = {Silvia Liberata Ullo and Amrita Mohan and Alessandro Sebastianelli and Shaik Ejaz Ahamed and Basant Kumar and Ramji Dwivedi and G. R. Sinha},
journal= {arXiv preprint arXiv:2010.01499},
year = {2020}
}
备注
9 pages, 8 figures, 6 tables, submitted to JSTARS special issue on Cultural Heritage