期刊： IEEE Transactions on Geoscience and Remote Sensing
作者：Aonan Dong1; Jie Dou1*; Changdong Li1; Zeqiang Chen1; Jian Ji2; Ke Xing1; Jie Zhang3; Hamza Daud1
单位：1：中国地质大学；2. 河海大学；3. 日本日化株式会社国际地质灾害管理处
年份：2024
点击蓝字 关注我们
01 摘要
突发地震引发次生滑坡，造成广泛破坏，需要迅速有效的应对。快速准确获取滑坡信息对救灾至关重要。基于深度学习的计算机辅助解释方法已成为滑坡检测的前沿工具。然而，传统深度学习方法存在高标注成本、处理速度慢和泛化性差等限制，不适用于快速地震次生滑坡识别任务。本研究提出了一种渐进式地震次生滑坡检测方法。首先，该研究开发了多尺度特征融合轻量级神经网络（MFFLnet），在保持精度的同时实现了出色泛化性和速度。其次，采用深度迁移学习策略使MFFLnet能够利用源域先前滑坡知识，并采用改进数据增强算法来对抗过拟合。该方法在北海道和中国鲁甸两个地震次生滑坡场景中得到应用。实验结果表明，在区域滑坡识别和不同地震滑坡检测场景下展现出卓越鲁棒性能。本文的方法在高效地震滑坡灾害识别和跨场景识别方面具有竞争力，在快速响应需求面前展现显著适用性。
02-图表
图1. (a) 目标区域的位置；(b) 北海道滑坡区域；(c) 鲁甸滑坡区域；(d, e) 北海道滑坡的高清图像；(f, g) 北海道滑坡和鲁甸滑坡的现场调查照片。
图3. 鲁甸地震区的地质图中国。(a) 花岗岩和花岗闪长岩；(b) 片麻岩和石灰岩；(c) 沙子、砾石、土壤和砾岩；(d) 花岗岩、石灰岩、泥岩和粉砂岩；(e) 泥岩和粉砂岩
图4中概述的工作流程包含三个主要步骤：（a）在源域进行预训练和基于网络的深度迁移学习，（b）在目标域进行数据增强和训练，（c）测试和评估。具体来说，本文的MFFLnet在使用毕节滑坡数据集进行预训练后，获得了适用于有效滑坡检测的网络权重。随后，利用少量来自北海道和鲁甸滑坡图像的标注样本，并结合不同分辨率进行数据增强，在目标域进行网络微调。最后，通过混淆矩阵分析来评估该方案在各种场景下对滑坡检测精度的表现。
图4. 方法流程。(a) 源域预训练和基于网络的深度迁移学习；(b) 目标域数据增强和训练；(c) 测试和评估。
图5. (a) 改进后的轻量级MobileNetV3骨干网络；(b) 改进后的线性瓶颈逆向残差结构；(c) HECA注意力机制；(d) 正弦函数和硬正弦函数。
图7. 基于网络的深度迁移学习。
数据扩增通过构建多样化的数据点集，有助于减少过拟合现象，在训练、验证和测试集之间建立了有效的连接 [33]。常见的图像数据扩增方法包括水平翻转、垂直翻转、平移、旋转、亮度调整以及添加噪声等。本文开发了一种算法，结合随机缩放和裁剪来增强在不同环境和尺度下的滑坡检测。这种方法使得同一滑坡能够作为训练样本以不同分辨率、角度和位置进行学习。它有效地促进了模型泛化，并减轻了过拟合问题。改进后的数据增强算法与传统方法相结合，图8展示了对北海道和泸定地震滑坡进行数据增强后的图像效果。
图8. 对北海道滑坡和泸定滑坡样本的数据扩增。
图10. 不同模型在北海道地区检测出的滑坡结果。(a) 滑坡目录；(b) FCN；(c) DeeplabV3；(d) VggUnet；(e) ResUnet；(f) MFFLnet.
03-结论
在这项研究中，该文提出了一种渐进的方法，旨在利用监督学习范式来克服传统深度学习方法的局限性，以实现快速而准确的共震滑坡检测。本文开发的MFFLnet模型采用了先进的轻量级网络后端、多尺度特征融合机制，并结合了联合损失函数和学习率预热技术。简言之，该模型具备良好的泛化能力和迁移能力。此外，深度迁移学习策略和增强数据增强技术的应用使得共震滑坡检测更加高效、精确且用户友好，并具有跨场景适应性。在两个不同场景数据集上进行的实验验证明确地证明本文的方法优越性能。虽然仍有待进一步探索和发展，但共震滑坡检测领域取得成果无疑是令人鼓舞。
04-参考文献
Dong, Aonan, Jie Dou, Changdong Li, Zeqiang Chen, Jian Ji, Ke Xing, Jie Zhang, and Hamza Daud. "Accelerating Cross-scene Co-seismic Landslide Detection through Progressive Transfer Learning and Lightweight Deep Learning Strategies." IEEE Transactions on Geoscience and Remote Sensing (2024).
END
点“阅读原文”，直接跳转原文。
投稿邮箱：hzcuigeo@163.com
欢迎各位专家学者的关注与来稿
