DFPENet-geology：一种用于同震滑坡高精度识别与分割的深度学习框架
计算机视觉与模式识别
2023-10-27 v3
摘要
自动识别与分割方法已成为识别同震滑坡的必要需求，而同震滑坡对于大规模地震中的灾害评估与减灾至关重要。该方法过去常通过基于像素或面向对象的方法实施。然而，由于遥感数据量巨大、不同地震场景下的差异，以及震后救援对效率的要求，这些方法难以发展为准确、快速、全面且通用（跨场景）的同震滑坡识别方案。本文开发了一个鲁棒模型——密集特征金字塔编解码网络（DFPENet），以理解并融合遥感图像中物体的多尺度特征。所提方法在公开 ISPRS 2D Semantic 数据集上取得了有竞争力的分割精度。此外，提出了一种综合且被广泛使用的同震滑坡识别方案，其集成了从 DFPENet 模型提取的图像特征、地质特征、时间分辨率、滑坡空间分析与迁移学习，且仅使用 RGB 图像。为证实其可行性与适用性，该方案被应用于中国九寨沟与日本北海道两次地震触发的滑坡，使用了可获取的震前与震后遥感图像。
引用
@article{arxiv.1908.10907,
title = {DFPENet-geology: A Deep Learning Framework for High Precision Recognition and Segmentation of Co-seismic Landslides},
author = {Qingsong Xu and Chaojun Ouyang and Tianhai Jiang and Xuanmei Fan and Duoxiang Cheng},
journal= {arXiv preprint arXiv:1908.10907},
year = {2023}
}
备注
35 pages, 11 figures