利用遥感图像与深度神经网络的滑坡检测与分割
计算机视觉与模式识别
2023-12-29 v1 机器学习
图像与视频处理
摘要
关于历史滑坡事件发生情况的知识对于支持减灾策略至关重要。基于 2022 年 Landslide4Sense 竞赛的成果，我们提出了一种基于深度神经网络的系统，用于从多源遥感图像输入中进行滑坡检测与分割。我们使用以交叉熵损失训练的 U-Net 作为基线模型。随后，我们利用广泛的深度学习技术改进了 U-Net 基线模型。具体而言，我们通过从原始波段生成新的波段数据进行特征工程，这有助于提升遥感图像输入的质量。在网络架构方面，我们用残差卷积层替换了 U-Net 基线中的传统卷积层。我们还提出了一种利用多头注意力机制的注意力层。此外，我们生成了三种不同分辨率的多个输出掩码，在推理过程中创建了三个输出的集成以增强性能。最后，我们提出了一种结合 Focal loss 和 IoU loss 的联合损失函数来训练网络。我们在 Landslide4Sense 挑战赛的开发集上的实验分别取得了 84.07 的 F1 分数和 76.07 的 mIoU 分数。我们的最佳模型设置优于挑战赛基线和所提出的 U-Net 基线，分别将 F1 分数/mIoU 分数提升了 6.8/7.4 和 10.5/8.8。
引用
@article{arxiv.2312.16717,
title = {Landslide Detection and Segmentation Using Remote Sensing Images and Deep Neural Network},
author = {Cam Le and Lam Pham and Jasmin Lampert and Matthias Schlögl and Alexander Schindler},
journal= {arXiv preprint arXiv:2312.16717},
year = {2023}
}