【卷积神经网络；深度学习；滑坡检测；遥感|论文解读2】滑坡检测特征增强框架——AMU-Net

最新推荐文章于 2025-05-21 21:08:24 发布

985小水博一枚呀

最新推荐文章于 2025-05-21 21:08:24 发布

阅读量1k

点赞数 37

分类专栏：论文解读文章标签：深度学习 cnn 人工智能滑坡遥感神经网络

本文链接：https://blog.csdn.net/gaoxiaoxiao1209/article/details/143940361

版权

论文解读专栏收录该内容

85 篇文章

订阅专栏

【卷积神经网络；深度学习；滑坡检测；遥感|论文解读2】滑坡检测特征增强框架——AMU-Net

文章目录

【卷积神经网络；深度学习；滑坡检测；遥感|论文解读2】滑坡检测特征增强框架——AMU-Net
3. Material
- 3.1. Landslides
- 3.2. Data
4. Results

欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！
祝所有的硕博生都能遇到好的导师！好的审稿人！好的同门！顺利毕业！

想要参加学术会议的宝子们可以看看这个网站，中稿率很高，都是国际会议，包含各类学科，尤其是对于大三大四研一研二的宝子们！投个会议评个国奖，妥妥起飞！祝各位还在学海无涯的宝子们早日上岸！！

1. 学术交流

参加学术会议是展示您研究成果和获取反馈的绝佳机会。在会议上，您可以与来自各地的研究者进行深入交流，讨论最新的研究动态与趋势，分享经验与观点。

2. 拓展人脉

学术会议汇聚了来自不同高校和研究机构的优秀学者和学生。这是一个拓展您学术网络的良好时机。建立联系不仅可以帮助您获得未来的合作机会，还可能为您职业发展打开新的大门。

3. 学习前沿知识

会议上通常会邀请多位领域内的专家进行主题演讲和报告，分享他们的研究成果和未来的研究方向。这是获取前沿知识和灵感的绝佳机会，能够激励您在研究道路上的前行。

论文地址：https://doi.org/10.1016/j.jag.2023.103521
2023·International Journal of Applied Earth Observation and Geoinformation·成都理工大学

3. Material

3.1. Landslides

2018年10月10日和11月3日，青藏东部的白格村（98°42′17.98″, 31°4′56.41″）发生了连续滑坡。滑动体两次堵塞金沙江，形成了快速上涨的堰塞湖，随后引发了灾难性洪水（Fan et al., 2020）。**研究区域（图3）位于金沙江上游的白格滑坡发生地。**由于河流侵蚀和水位波动，许多滑坡分布在靠近河流的下坡地带。
在这里插入图片描述

3.2. Data

**无人机遥感影像和数字表面模型（DSM）**被合并作为滑坡检测的输入（图4）。通过现场调查和视觉解译，我们在ArcGIS软件中标注了滑坡清单图。为了在输入大小限制下获得足够的视场，**我们将无人机摄影产品的分辨率设置为0.5米，尽管它可以实现更高的空间分辨率。**整张影像通过Python中的地理空间数据抽象库（GDAL）进行了切割。参考之前的研究（Yi和Zhang，2020）以及我们的实验，使用128×128像素大小的滑动窗口对整张影像进行切割并生成图块。每个输入图块的形状为（128, 128, N），其中N代表3通道的RGB和1通道的DSM。每个掩膜图块的形状为（128, 128, 1）。

4. Results

4.1. Experimental details

**我们使用Python进行实验，网络模型采用PyTorch框架实现，硬件配置为NVIDIA GeForce GTX 3090 24GB GPU和64GB RAM。**我们使用随机梯度下降（SGD）优化器和交叉熵损失函数训练所有模型。**批次大小和训练轮次分别设置为32和100。**初始学习率设置为0.01，当测试准确率在连续10个epoch内未改善时，学习率减少0.1倍。此外，我们使用GDAL库读取数据并添加地理变换和投影信息。

为了定量评估和比较结果，我们使用了平均交并比（mIoU）、总体准确率（OA）、精确度、灵敏度（也称为召回率）、特异性、F1分数和Kappa值。mIoU是分割任务中常用的度量，计算预测多边形与真实值交集和并集的比率。F1分数是精确度和召回率的调和平均值。Kappa值用于评估预测结果与掩膜之间的一致性（Wei et al., 2022; Ye et al., 2022）。

4.2. Ablation experiment

**为了进行消融实验，我们通过分别构建MU-Net和AU-Net测试了带有多尺度或注意力机制的模型性能。**同时，本研究对比了随机切分和区域切分的方法。根据第2.2节，我们分别选择了区域A、B和C作为测试区域，确保研究区域内的所有样本都得到了评估。我们将切片步长设置为与样本大小相同，以防止随机切分带来的信息泄漏。测试样本图像的数量分别为152（A）、226（B）、284（C）和198（随机）。所有模型都在测试数据集上进行了评估。为了控制实验变量，我们没有使用数据增强策略。

表1显示，所提出的AMU-Net具有最佳性能。在所有数据集中，MU-Net和AU-Net在mIoU和OA方面相较于标准U-Net有所改进。结果证明，注意力卷积和多尺度连接能够提高滑坡检测能力。
在这里插入图片描述
在所有数据集的比较中，随机切分数据集的模型表现优于区域切分数据集的模型。可能的原因是归纳偏差，即局部性和空间不变性（d’Ascoli et al., 2021），使得卷积能够捕捉地物（滑坡）之间的地理相似性。随机切分可以保持相邻图块之间的相似性，这些图块随机分配给训练和测试数据集。但这也可能导致过拟合和适应性差。从理论上讲，区域切分更适合构建滑坡检测模型的数据集。因为测试样本和训练样本之间的目标特征差异较大，能够更好地评估模型的泛化能力。我们设计了使用步长64和128（与图块大小相同）随机切分样本的实验。四个模型在上述两个数据集上进行了测试。结果发现，半图块大小的步长导致了不平衡的性能。数据集之间的重叠导致mIoU提高了最多8.4%。

4.3. Comparison with the state-of-the-art methods

本研究提出了一种通过融合注意力和多尺度机制的AMU-Net。一些最先进的方法已经探索并证明了这些机制的优势，例如DeepLabv3+（L. C. Chen等，2018）、Lite R-ASPP（Howard等，2019）、Attention U-Net（Oktay等，2018）、ResU-Net++（Jha等，2019）等。这些模型在物体分割任务中取得了显著的性能。先前的研究已经探讨了如何使用和改进深度学习方法进行滑坡提取。一些网络，如ResUNet（Qi等，2020）和基于注意力的CNN（Ji等，2020；Yi和Zhang，2020）**已被证明有效，并作为滑坡检测的基准算法。**在这些研究中，卫星影像（例如GeoEye-1、Rapid Eye、Landsat和TripleSat）被用来构建数据集以进行模型训练。

与此不同，我们的研究开发了一个特征增强框架，利用无人机影像和DSM进行滑坡检测。一些研究（Liu等，2020；P. Liu等，2021；Lu等，2020）**证明了使用无人机影像和深度模型进行滑坡检测的可行性。**此外，他们报告称，地形数据能够通过扩展通道和添加特征来提高性能。

我们将**本研究与一些最先进的方法进行了比较。我们选择区域A作为测试区域，步长为64像素来生成样本，**样本量为1537（训练）：512（验证）：608（测试）。表2显示，我们的模型几乎达到了最佳性能。AMU-Net相比其他现有模型在mIoU上提高了2.2%。特异性表示非滑坡的识别效果，但我们的模型表现较差。值得注意的是，一些模型也采用了注意力或多尺度机制。结果表明，具有对称编码-解码结构（U-Net形状）的模型优于那些没有此结构的神经网络，即使在加入A和M模块的情况下。在基于U-Net的模型中，具有A和M模块的网络表现出更好的性能。结果证明，注意力或多尺度机制有助于提高U-Net在滑坡检测中的能力。
在这里插入图片描述

图5展示了接收器操作特征（ROC）曲线和泰勒图，用于定量评估预测结果与掩膜之间的误差。ROC曲线（Kavzoglu等，2014）可视化了在不同阈值下灵敏度和特异性的平衡。曲线下面积（AUC）接近1表示模型性能更好。所提出的AMU-Net获得了最高的AUC值0.97。泰勒图显示AMU-Net的误差最小。观察预测结果与真实值（REF）之间的关系时，当预测值接近品红色线（表示较好的标准差），且方位角的余弦值较大（代表较高的相关系数）时，表明预测结果更接近真实值（Fiorentini等，2020）。从相关系数和标准差来看，AMU-Net似乎是最适合且最可靠的模型。
在这里插入图片描述