利用深度学习图像分割架构在雨林地区检测古滑坡：一种新框架
计算机视觉与模式识别
2023-05-31 v2 图像与视频处理
数据分析、统计与概率
摘要
滑坡是陡坡上破坏性强且反复发生的自然灾害，对生命和财产构成风险。了解古滑坡的位置对于理解其机理、更新编目图和改进风险评估至关重要。然而，在覆盖雨林植被的热带地区，古滑坡制图十分复杂。本文提出一种用于古滑坡半自动检测的 CNN 新框架，其使用由 k-means 聚类算法生成的数据集并包含预训练步骤。预训练计算的权重用于微调 CNN 训练过程。使用 CBERS-04A WPM 影像，将所提框架与标准框架进行比较。采用三种用于语义分割的 CNN（Unet、FPN、Linknet）与两个增强数据集，共测试了 42 种 CNN 组合。所测试组合间的精确率与召回率值非常接近。每种组合的召回率均高于 75%，但精确率值通常小于 20%。假阳性（FP）样本被认为是这些低精确率值的原因。所提框架的预测更准确且正确检测出更多滑坡。本工作表明，在雨林覆盖区检测古滑坡存在局限性，主要源于牧场和毁林区域与 Gleichenella sp. 蕨类的光谱响应相似，而后者常作为滑坡疤痕的指示物。
引用
@article{arxiv.2208.02693,
title = {Relict landslide detection using Deep-Learning architectures for image segmentation in rainforest areas: A new framework},
author = {Guilherme P. B. Garcia and Carlos H. Grohmann and Lucas P. Soares and Mateus Espadoto},
journal= {arXiv preprint arXiv:2208.02693},
year = {2023}
}