利用遥感图像和深度神经网络进行滑坡检测与分割
介绍了用于遥感图像中滑坡检测的 Landslide4Sense 基准数据集,用于支持深度学习的研究和方法开发,评估了 11 个最先进的分割模型的表现,证明 ResU-Net 在滑坡检测任务中表现最佳。
Jun, 2022
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
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
本文探讨利用卷积神经网络,并提出了局部对齐卷积神经网络模型,针对地表土石滑坡进行预测,该模型在准确度和对数似然方面相对于其他模型均有所提升,通过对各种异质特征进行输入,对滑坡进行预测。
Nov, 2019
本文提出了一种迭代分类和语义分割网络 (ICSSN) 方法,通过迭代升级两个网络共享的特征提取器,大大增强了对象级和像素级分类性能,并在对象分类子网络中采用物体级对比学习 (OCL) 策略和在语义分割子网络中设计子目标级对比学习 (SOCL) 范例来提取边界的显著特征。在实验数据集上测试表明,该网络可大幅提高老滑坡检测的分类和分割准确性。
Feb, 2023
本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战,提出了一种新的级联多任务损失来保留语义分割边界。结果表明,不需要额外的后处理步骤,我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3%。
Sep, 2017
通过对多种方法评估分割的像素级别的不确定性,本研究发现在数据集中 Test-Time Augmentation 方法的质量始终优于其他方法,从而可以为解决错误、识别困难样本和增加标记训练数据提供低成本的监督。
Nov, 2023
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
本文研究了利用 Sentinel-2 影像自动地绘制新发生滑坡的方法。我们提出了一种新颖的深度学习架构,用于融合 Sentinel-2 双时相影像和数字高程模型数据,并展示了其在与文献中的其他变化检测模型相比具有良好性能。同时,我们还创建了一个包括全球异质生态区域的人工验证开放式滑坡清单的新型地理数据库。我们以开源许可证发布了代码和数据集。
May, 2024
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