使用深度学习方法实现黄土滑坡自动识别
Automatic Object Detection of Loess Landslide Based on Deep Learning.作者机构：成都理工大学地质灾害防治与地质环境保护国家重点实验室 四川 成都 610059. 南京农业大学作物表型组学交叉研究中心 江苏 南京210095. 中国科学院大学 北京 100049. 中国科学院植物研究所植被与环境变化重点实验室北京 100093
出 版 物：《Geomatics & Information Science of Wuhan University》
年 卷 期：2020年第45卷第11期
页 面：1747-1755页
主 题：automatic detection deep learning Google Earth image loess landslide Mask R-CNN object detection 深度学习 目标检测 自动识别 谷歌地球影像 黄土滑坡 Mask R‑CNN Language of Keywords: English Chinese
摘 要：区域性滑坡识别是滑坡灾害风险管理的基础, 传统的识别工作主要依靠人力完成。在已有的滑坡自 动识别研究中, 方法上以机器学习为主, 数据源上对谷歌地球影像应用较少, 识别对象上多以与环境差异较大 的新滑坡为主。结合深度学习方法和谷歌地球影像数据对中国典型黄土地区历史滑坡进行自动识别。首先, 基于开源谷歌地球影像建立了历史黄土滑坡样本数据库, 包含黄土滑坡 2 498 处；然后, 利用掩膜区域卷积神 经网络 (mask region‑based convolutional networks, Mask R‑CNN) 目标检测模块进行黄土滑坡自动识别。识别 的准确率为 0.56, 召回率为 0.72, F1值为 0.63。结果表明, Mask R‑CNN 是一种稳健性较好的方法, 可以用于以 谷歌地球影像为数据源的黄土滑坡自动识别, 为快速准确地进行区域滑坡灾害调查提供了可能. [ABSTRACT FROM AUTHOR]