基于 U-Net 的滑坡分割：不同采样方法与图像块大小的评估
图像与视频处理
2020-07-15 v1 计算机视觉与模式识别
摘要
滑坡编录图对于验证滑坡预测模型至关重要；然而，由于大多数制图方法依赖视觉解译或专家知识，详细的编录图仍然匮乏。本研究使用名为 U-Net 的全卷积深度学习模型，在位于巴西南部里约热内卢山脉的 Nova Friburgo 市自动分割滑坡。目标是评估图像块大小、采样方法和数据集对模型总体精度的影响。训练数据使用了 RapidEye 卫星的光学信息，以及由 ALOS 卫星 L 波段传感器衍生的数字高程模型（DEM）。数据采用随机和规则网格方法采样，并裁剪成三种大小（32×32、64×64 和 128×128 像素）的图像块。模型在两个区域上以精确率、召回率、f1-score 和平均交并比（mIoU）指标进行评估。结果表明，使用 32×32 图块训练的模型由于真阳性率较高往往具有更高的召回率；但它们将更多背景区域误分类为滑坡（假阳性）。使用 128×128 图块训练的模型通常获得更高的精确率，因为其假阳性错误更少。在两个测试区域中，DEM 和数据增强均提高了模型精度。随机采样有助于模型泛化。使用 RapidEye 影像、DEM 信息和数据增强的数据，以 128×128 随机图块训练的模型取得了最高的 f1-score，在测试区域一为 0.55，在测试区域二为 0.58。本研究取得的结果与文献中其他全卷积模型相当，增进了该领域的认知。
引用
@article{arxiv.2007.06672,
title = {Landslide Segmentation with U-Net: Evaluating Different Sampling Methods and Patch Sizes},
author = {Lucas P. Soares and Helen C. Dias and Carlos H. Grohmann},
journal= {arXiv preprint arXiv:2007.06672},
year = {2020}
}
备注
13 pages, 7 figures, 3 tables