LMHLD：基于深度学习的大规模多源高分辨率滑坡数据集
计算机视觉与模式识别
2025-02-28 v1 图像与视频处理
摘要
滑坡是全球最常见的自然灾害之一，对人类社会构成重大威胁。深度学习（DL）已被证明是快速生成大规模灾区滑坡清单的有效方法。然而，DL模型高度依赖高质量标注滑坡数据以实现强特征提取能力。使用DL进行滑坡检测迫切需要一个基准数据集来评估最新模型的泛化能力。为解决上述问题，本文构建了一个用于DL滑坡检测的大规模多源高分辨率滑坡数据集（LMHLD）。LMHLD收集了来自五个不同卫星传感器、覆盖七个研究区域的遥感影像：中国汶川（2008）、巴西里约热内卢（2011）、尼泊尔加尔克拉（2015）、中国九寨溪（2015）、中国台湾（2018）、日本北海道（2018）、意大利埃米利亚-罗马涅（2023）。数据集包含25,365个图像块，不同尺寸以适应不同规模的滑坡。此外，设计了一个训练模块LMHLDpart，以适应不同尺度的滑坡检测任务并缓解多任务学习中的灾难性遗忘问题。将LMHLD训练得到的模型应用于其他数据集，表明LMHLD具有良好的鲁棒性。五组基于U-Net系列模型的七个数据集质量评估实验表明，LMHLD有潜力成为滑坡检测的基准数据集。LMHLD为开放获取，访问链接为https://doi.org/10.5281/zenodo.11424988。该数据集为DL模型提供了坚实基础，加速了DL在滑坡检测中的发展，为滑坡防治与减灾提供了宝贵资源。
引用
@article{arxiv.2502.19866,
title = {LMHLD: A Large-scale Multi-source High-resolution Landslide Dataset for Landslide Detection based on Deep Learning},
author = {Guanting Liu and Yi Wang and Xi Chen and Baoyu Du and Penglei Li and Yuan Wu and Zhice Fang},
journal= {arXiv preprint arXiv:2502.19866},
year = {2025}
}