基于深度学习的合成雷达图像大规模滑坡图测
计算机视觉与模式识别
2026-03-25 v1
摘要
准确检测卫星图像中的变化对于监测诸如雪崩等快速质量运动灾害至关重要，由于其频率和强度不断增加，这些灾害日益威胁人类生命、基础设施和生态系统。本研究系统性地通过使用 Sentinel-1 合成孔径雷达（SAR）影像进行双时相变化检测来进行大规模滑坡图测。跨多个山地生态区的广泛实验显示，使用仅依赖事前和事后 SAR 影像的单模态变化检测问题可实现最一致的性能。 proposed 的端到端管道在保守（F1优化）配置下实现 0.8061 的 F1 分数，并在较不保守、召回导向（F2优化）调校下达到 0.8414 的 F2 分数和 80.36% 的滑坡多边形命中率。这些结果突显了精确度和完整性之间的权衡，并展示了阈值调整如何提高对较小或边缘滑坡的检测。发布的标注多区域数据集为 SAR 基于滑坡图测建立了可复现的基准。
关键词
引用
@article{arxiv.2603.22658,
title = {Large-Scale Avalanche Mapping from SAR Images with Deep Learning-based Change Detection},
author = {Mattia Gatti and Alberto Mariani and Ignazio Gallo and Fabiano Monti},
journal= {arXiv preprint arXiv:2603.22658},
year = {2026}
}