地质学论文_模拟困难样本的Mask R-CNN滑坡分

文章摘要:随着人工智能的发展，利用高分影像进行滑坡等地质灾害识别逐渐成为研究热点。滑坡目视解译需依赖专家经验，传统滑坡自动识别方法又易将滑坡和裸地、道路等地物混淆。针对以上问题，提出基于模拟困难样本的Mask R-CNN（mask region?based convolutional network）滑坡提取方法。在现有样本的基础上，利用滑坡的形状、颜色、纹理等特征模拟更为复杂的滑坡背景，进行困难样本挖掘增强，并将得到的困难样本输入Mask R-CNN网络进行滑坡精细检测分割。在实际研究区域中，由于滑坡数量有限，因此在频率域进行小样本学习，在减少数据需求的同时，保证分割识别的准确度。在贵州毕节的实验结果表明，基于模拟困难样本的Mask R-CNN方法检测精度为94.0%，像素分割平均准确率为90.3%，可实现低虚警率下的高性能检测分割；采用频率域学习，在一半数据输入量的情况下，模型检测精度仍可得到提升；并利用天水地区的滑坡区域进行实际验证，进一步证明了所提方法的有效性。

文章关键词:深度学习,滑坡提取,Mask R-CNN,困难样本,频率域,

项目基金:国家自然科学基金重大项目（41941019）,国家重点研发计划（2018YFC1504805）,国家自然科学基金（61806022， 41874005）,中央高校基本科研业务费专项资金（300102260301/087，300102260404/087，300102269103， 300102269304和 300102269205）,地理信息国家重点实验室开放基金（SKLGIE2018-M-3-4）,《中国地质灾害与防治学报》 网址: http://www.zgdzzhyfzxb.cn/qikandaodu/2021/0901/1037.html