利用师生自适应结构深度信念网络自动提取路网及其在滑坡灾害中的应用
计算机视觉与模式识别
2025-11-11 v1 人工智能
机器学习
摘要
受限玻尔兹曼机（RBM）和深度信念网络（DBN）的自适应结构学习方法已作为杰出的深度学习模型之一被开发。RBM 中的神经元生成-湮灭算法和 DBN 中的层生成算法在学习过程中为给定输入生成最优的网络结构。本文将我们的模型应用于一种称为 RoadTracer 的路网系统自动识别方法。RoadTracer 能够从航空摄影数据中生成地表道路图。由于道路图包含许多复杂的特征，因此需要一个具有高表示能力的模型来进行检测，故提出了一种使用自适应 DBN 的师生集成学习模型的新型 RoadTracer 方法。实验结果表明，在测试数据集的七个主要城市中，所提出模型的检测精度平均从 40.0% 提高到了 89.0%。此外，为了快速获取交通路线，我们挑战将该方法应用于自然灾害发生滑坡时可用道路的检测。为了实现快速推理，在小型嵌入式边缘设备上部署了小尺寸的已训练模型，作为轻量级深度学习。我们报告了日本降雨灾害前后卫星图像的检测结果。
引用
@article{arxiv.2511.05567,
title = {Automatic Extraction of Road Networks by using Teacher-Student Adaptive Structural Deep Belief Network and Its Application to Landslide Disaster},
author = {Shin Kamada and Takumi Ichimura},
journal= {arXiv preprint arXiv:2511.05567},
year = {2025}
}