利用局部对齐卷积神经网络预测山体滑坡
本文提出了一种使用自筛选图卷积和长短期记忆网络的山体滑坡易损性预测模型来解决传统机器学习模型在样本误差和环境因素等方面存在的不确定性问题,并与几种常规机器学习方法进行了比较,实验结果显示,SGCN-LSTM 模型具有更高的预测精度和更好的鲁棒性,具有很好的应用前景。
Apr, 2023
使用 Flickr 上的地面图像和深度学习方法进行土地利用地图绘制,并针对地理位置和室内 / 室外进行筛选和半监督数据增强,从而最终实现了 76% 的准确性。
Sep, 2016
利用基于 Transformer 的深度学习网络,结合先前知识和多源数据,预测滑坡行为,提高综合性滑坡预测能力,揭示滑坡演化和时态模式的全面理解,并通过验证模型在三峡库区滑坡和青藏高原潜在滑坡的表现,证明可解释性滑坡预测有效地确定各种滑坡的影响因素,使滑坡行为和趋势更具可解释性和可预测性。
Jul, 2023
通过引入高像素对比学习增强分割网络(HPCL-Net)来可靠提取语义特征,从而加强了原地滑坡分割模型的可靠性。在一个黄土高原的老地滑数据集上的实验证明,与之前的模型相比,该模型显著提高了原地滑坡的检测准确率。
Aug, 2023
使用多个分割模型和不同的数据集,构建一个集成模型来提高山体滑坡地貌图的制作精度。集成模型使用 Sentinel-1 和 Sentinel-2 波段结合,以及通过植被指数 dNDVI 的变化来构建一个健全可靠的监测系统。
Sep, 2023
本文提出了一种名为 DeepLGR 的新型框架,以有效应对城市范围内人流量分析面临的挑战。该框架包含局部特征提取模块、全局上下文模块和基于张量分解的区域特定预测器,具有较高的效率、稳定性和泛化性能,能够有效学习全局空间关系和区域潜在功能。
Feb, 2020
研究了选择影响因素对机器学习模型和深度学习模型预测滑坡易发性的准确性的影响。考虑采用四种方法选择影响因素,并探讨了基于自动编码器的深度学习模型的因素选择方法。
Sep, 2023
采用不同的方法研究了统计学、机器学习和深度学习模型在预测滑坡易发性方面的可解释性,并比较了这些模型的准确性。结果表明,卷积神经网络模型在准确性方面表现最好,而极限梯度提升和支持向量机也具有强大的预测能力,优于传统的统计模型。然而,模型的解释能力因模型而异,尤其是在使用较广泛的 19 个贡献因素时。使用专门的 9 个触发因素增加了模型的可解释性,但降低了一些预测能力。
May, 2024
本研究旨在探讨使用卷积神经网络对遥感场景进行语义分类的方法,通过采用 CaffeNet 和 GoogLeNet 架构,并进行多种不同的学习方式包括预训练网络的微调等,实验结果表明该方法在两个遥感数据集的性能表现都显著优于同类方法。
Aug, 2015