【深度学习滑坡制图|论文解读4】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
【深度学习滑坡制图|论文解读4】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
文章目录
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！
大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文：
可访问艾思科蓝官网，浏览即将召开的学术会议列表。会议入口：https://ais.cn/u/mmmiUz
论文链接：https://www.sciencedirect.com/science/article/pii/S1569843223004363
4. Results
4.1. Ablation study
4.1.1. Input bands and factors
为测试不同影响因素和波段组合的效果，我们进行了消融实验（见表1）。泸定的测试区域I和II被组合为测试集。在实际实验中，我们排除了哨兵-2卫星数据的8a波段（B8a）和10波段（B10），因为8波段提供了比B8a更精确的空间分辨率信息，而B10则是表示卷云的顶部大气产品，而非滑坡的真实地面反射率。最终，实验中使用了形状为128 × 128 × 21的数据。基于我们使用的21通道数据，我们对B8a、B10、SIF（光谱指数）和TF（时序特征）进行了消融实验。此外，我们还测试了在其他研究领域广泛使用的RGB波段组合。
如表1所示：首先，我们使用的通道在每个模型中均显示出最高的交并比（IoU）和F1性能。其次，添加B8a和B10后，各项指标不同程度下降，但B10的负面影响不如B8a显著。第三，排除TFs对指标的负面影响大于排除SIFs。这表明，SIFs和TFs均对局部模型（LM）有益，但TFs更为重要。最后，仅使用RGB波段得到的滑坡图质量较差，IoU降低超过23.37%，F1降低超过19.42%。这表明，仅从RGB波段提取的特征远远不够。
4.1.2. Proposed model
泸定的测试区域I和II被组合为测试集，UNet++被用作基线。添加不同模块的比较结果见表2。在复杂区域的消融实验可视化结果如图6所示。由于IoU和F1是综合指标，我们在后续分析中重点关注这两个指标。
首先，我们评估了GLFE模块的有效性。与基线相比，将编码器更改为GLFE模块使IoU和F1分别提高了1.7%和1.16%。如图6(b)所示，添加GLFE模块后，模型能够区分具有相似特征的滑坡和充满泥沙的河流，从而提高了准确率1.71%。其次，我们评估了DSSA模块的有效性。添加DSSA模块使IoU和F1分别提高了1.88%和1.28%。如图6©所示，结果中出现了更多的小滑坡，滑坡图更为完整，召回率提高了2.68%。
最后，所提模型通过将GLFE模块和DSSA模块添加到基线模型中形成。与基线相比，所提模型的IoU和F1分别提高了2.83%和1.92%。如图6(d)所示，该模型平衡了两个模块的优势，能够区分大多数相似对象。结果图保留了小滑坡，从而实现了更好的性能，准确率提高了0.46%，召回率提高了4.06%。
4.2. Results in the Luding area
4.2.1. Quantitative comparison
如表3所示，在测试区域I中，首先，与其他模型相比，SCDUNet++在精度（79.74%）、召回率（84.05%）、马修斯相关系数（MCC，81.41%）、交并比（IoU，69.26%）、均匀交并比（MIoU，84.17%）和F1值（81.84%）方面表现最佳。其次，MIoU显著高于IoU，因为背景区域的面积远大于滑坡区域，导致背景类别的IoU值非常高。第三，UNet、UNet++和SCDUNet++在所有指标上整体优于其他模型。由于FCN的简单直接的反卷积操作导致空间信息的显著损失，其指标远低于其他模型。
在测试区域II（见表4）中也得到了类似的结果，但由于该区域的背景对象比测试区域I更简单，因此其指标更高，城市建筑区、泥沙河流和裸土较少。除UNet方法获得最高精度（84.89%）外，SCDUNet++在召回率（87.26%）、MCC（85.11%）、IoU（74.95%）、MIoU（86.89%）和F1值（85.68%）方面表现最佳。预测结果被叠加在遥感影像上，TP、FP和FN分别用红、蓝、绿标记。
4.2.2. Visualization comparison
为更好地可视化，在泸定测试区域选择了四个子区域（A、B、C和D）进行比较，如图7所示。
- 首先，滑坡图相对完整。FCN、Segformer、TransUNet和UNet的滑坡图缺失了一些小滑坡，这与定量结果中的低召回率相对应。
- 其次，由于裸土区域与滑坡之间特征的相似性，所有模型的FP数量不同。SCDUNet++由于其特定设计的特征提取模块，在一定程度上抑制了FP的出现。
- 最后，我们发现滑坡与背景之间的边界区域存在大量的FN和FP。UNet++和SCDUNet++通过嵌套解码器能够恢复和融合各层特征，并进行深度监督，从而更有效地解决边界不准确问题。
- 此外，SCDUNet++在处理细节方面具有更强的能力，能够在滑坡图中获得更准确的边界。
4.3. Results in the Jiuzhaigou area
4.3.1. Quantitative comparison
在泸定训练的模型直接应用于九寨沟的测试区域III和IV。如表5和表6所示，在这两个测试区域中：
- 首先，所有模型的精度明显高于召回率，错误预测的滑坡数量很少。然而，结果图中错过了相当多的滑坡。
- 其次，除了获得最高精度的UNet外，SCDUNet++在其他方面表现最佳。
- 最后，由于九寨沟测试区域的特征相对简单，其结果应更好，但每个模型的指标并不高。在九寨沟区域直接使用训练模型进行滑坡检测的结果不尽如人意。可
4.3.2. Visualization comparison
视化结果见图8，可以发现：映射结果中的假阳性（蓝色区域）非常少。另一方面，映射结果仅揭示了不完整的大滑坡和少量小滑坡，这从图8中丰富的绿色区域可以看出。因此，九寨沟区域的滑坡特征尚未被充分挖掘。泸定区域作为源域，模型在泸定区域学习到的特征转移到九寨沟区域，并在测试区域III或IV进行微调，随后再测试DTL的效果。图9展示了测试区域III和IV在进行DTL前后的定量比较结果。
4.4. Deep transfer learning results
如图9所示，经过DTL后，结果显著改善。这两个区域的所有指标均有不同程度的提升，唯一例外是由于召回率低而在DTL前精度被夸大。FCN的提升幅度明显低于其他模型。除FCN模型外，我们发现：首先，在测试区域III中，召回率从16.57%提升至38.73%，MCC从5.16%提升至18.73%，IoU从8.33%提升至26.79%，MIoU从4.34%提升至26.79%，F1从6.58%提升至23.67%。这表明DTL在滑坡检测任务上广泛有效。其次，除了UNet++在DTL后获得的最高精度（87.75%）外，SCDUNet++仍然在召回率（89.09%）、MCC（86.89%）、IoU（78.56%）、MIoU（88.18%）和F1（88%）方面表现最佳。测试区域IV也得到了类似的结果，增强了结果的可靠性。此外，SCDUNet++的结果进行了可视化，见图10。
首先，经过DTL后的映射结果显示出明显减少的绿色区域和更完整的滑坡。其次，经过DTL的映射结果包含了大部分小滑坡。这表明模型在学习源域知识后，特征提取和区分能力得到了改善。总体而言，SCDUNet++在经过DTL后表现显著提升，并在两个测试区域获得了优质的滑坡图。
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！
标签：++,IoU,滑坡,区域,测试,深度,模型,制图 From： https://blog.csdn.net/gaoxiaoxiao1209/article/details/143465824大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文：
可访问艾思科蓝官网，浏览即将召开的学术会议列表。会议入口：https://ais.cn/u/mmmiUz