基于自适应迁移学习的轻量级语义分割技术,用于共震滑坡的识别

《Engineering Applications of Artificial Intelligence》:Lightweight semantic segmentation for Co-seismic landslide identification using adaptive transfer learning

【字体: 大 中 小 】 时间:2026年01月01日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  地震滑坡快速检测中,SLATL框架通过逐步轻量解码器、统一空间-通道注意力模块、紧凑金字塔聚合模块及自适应迁移学习策略,有效解决数据稀缺、计算效率低和领域差异问题,在Hokkaido和Wenchuan数据集上mIoU达0.833和0.800,参数仅3.578M,GFLOPs为1.418。

  
孟少强|史振明|F. Nex|Saied Pirasteh|Omid Ghorbanzadeh|Thomas Glade
奥地利维也纳大学地理与区域研究系,地貌系统与风险研究项目,1010,维也纳,奥地利

摘要

快速准确地检测同震滑坡对于地震后的应急响应至关重要,但由于标记数据稀缺、类别不平衡以及现有模型的过拟合问题,这一任务仍然具有挑战性。为了解决这些问题,提出了逐步轻量级自适应迁移学习(SLATL)框架,这是一种能够在准确性和效率之间取得平衡的紧凑型语义分割模型。SLATL整合了逐步轻量级解码器(SLD),该解码器逐步剪除浅层特征通道以减少计算量;统一空间-通道注意力模块(USCAM),用于增强空间和通道特征的融合;以及紧凑金字塔池化模块(CPPM),能够在最小的开销下捕捉多尺度滑坡模式。此外,自适应迁移学习策略利用中间域来缩小域间差异,并在数据有限的情况下提高泛化能力。在北海道和汶川数据集上的验证表明,SLATL的平均交并比(mIoU)分别为0.833和0.800,同时仅需要1.418吉浮点运算次数(GFLOPs)和3.578百万个参数(M)。这些结果优于其他轻量级基线模型,展示了SLATL在资源受限环境中进行快速可靠灾害评估的潜力。

引言

滑坡是全球最具破坏性的自然灾害之一,对人类生命、基础设施和财产构成严重威胁(Meng等人,2024年;Sreelakshmi等人,2022年)。大规模地震经常引发数千次同震滑坡,加剧其破坏性影响。例如,2018年日本北海道地震引发了滑坡,导致36人死亡(Yamagishi和Yamazaki,2018年),而2008年中国汶川地震则导致约5000人死亡和8人失踪。这些事件凸显了快速准确识别同震滑坡以支持地震后评估和应急响应的迫切需求。
传统的同震滑坡识别方法主要依赖于实地调查,这些调查因其精确性而受到重视(Yin等人,2023年)。然而,这些调查需要大量的专业知识,耗费大量时间和劳动力,并使研究人员面临滑坡后地质环境中的安全风险。虽然在受控环境中有效,但基于实地的方法无法满足大规模灾害响应所需的速度和可扩展性,从而限制了其在紧急情况下的实用性。
遥感技术的出现为滑坡制图提供了有希望的替代方案(He等人,2023年)。遥感图像能够捕捉滑坡区域与其周围环境之间的光谱和形态差异,实现大规模检测(Ghorbanzadeh等人,2022年;Song等人,2022年)。然而,传统的遥感技术——如基于像素的方法(Wang等人,2023b)、基于对象的方法(Kamoji和Kalla,2023年)、变化检测(Lv等人,2022年)、基于阈值的分类(Hou等人,2024年)以及浅层机器学习模型(Cai等人,2021年)——严重依赖于有限的光谱数据或人工设计的特征。这种依赖性使它们容易受到噪声、地貌变化和泛化能力差的影响,尤其是在复杂地形中。
人工智能的兴起,特别是深度学习,通过利用深度神经网络从遥感数据中提取更丰富的特征,彻底改变了滑坡检测的方式(Li等人,2024a;Qureshi,2024年;Yang等人,2022年)。卷积神经网络(CNNs)(Wang等人,2024年;Zhong等人,2023年)、U-Net(Bhuyan等人,2023年)、Mask R-CNN(Ullo等人,2021年)和视觉Transformer架构(Lv等人,2023年;Wu等人,2024年)等模型已经显示出比传统方法更高的准确性。然而,高质量标记的同震滑坡样本的稀缺性使得模型训练变得复杂,常常导致过拟合并在不同环境中性能下降。
为了缓解样本限制,迁移学习已成为滑坡制图中的宝贵策略(Dong等人,2024年;Wei等人,2024年)。通过利用预训练模型,迁移学习减少了训练需求并提高了跨区域的适应性(Catani,2020年)。然而,由于区域地理和环境差异导致的源域和目标域之间的显著特征差异,通常会降低传统迁移学习框架的分类准确性。此外,通过复杂的网络设计来提高准确性的努力(Li等人,2024b;Yang等人,2024年)会增加计算成本和训练时间。
为了解决这些挑战,提出了一种新的语义分割框架——逐步轻量级自适应迁移学习(SLATL)。该模型在提高检测准确性的同时有效降低了计算复杂性。其关键创新包括:
  • 1) 逐步轻量级解码器(SLD):随着空间分辨率的提高,SLATL逐步减少浅层特征通道,优化资源利用并将计算精力集中在深度特征抽象上。这使得在高分辨率图像处理的同时保持低计算需求。
  • 2) 统一空间-通道注意力模块(USCAM):通过整合空间和通道注意力机制,USCAM增强了特征区分能力,减轻了轻量级设计中的潜在准确性损失。
  • 3) 紧凑金字塔池化模块(CPPM):CPPM采用紧凑的卷积操作高效聚合多尺度特征,简化了传统金字塔融合过程,同时保持了表达能力并支持识别。
  • 4) 自适应迁移学习策略(ATL):ATL通过中间域微调来弥合源域和目标域之间的差异,提高不同区域的知识转移和分类准确性。

部分摘要

滑坡分割

滑坡分割涉及在遥感图像中精确划定滑坡边界,以支持快速评估和响应。传统的图像处理技术,包括阈值处理、边缘检测和流域分割,因其计算简单性和速度快而被广泛采用(Chen等人,2024年;Han等人,2024年;Ling等人,2024年)。然而,这些经典方法存在显著局限性,例如对噪声和光照的敏感度高。

提出的方法

所提出的SLATL框架(图1)整合了三个关键组件——数据增强、逐步轻量级分割模型和自适应迁移学习策略,以应对地震滑坡图像识别的主要挑战,即标记数据稀缺、计算效率低下和域适应性问题。
  • (1) 数据增强。应用空间(随机翻转、填充裁剪)和光谱(颜色扭曲)变换来处理数据稀缺、不平衡和过拟合问题。

目标数据集

第一个目标区域位于日本北海道。2018年9月6日,一场6.7级地震袭击了伊布里东部地区,此前一天台风Jebi带来了超过100毫米的降雨。这种组合增加了该地区的滑坡易发性,引发了滑坡(样本滑坡图像见图6)。地震引发的滑坡导致41人死亡,其中36人直接死于滑坡。
第二个目标区域位于汶川

数据增强分析

图9展示了逐步应用不同增强策略所获得的渐进式改进。在北海道数据集上,仅使用随机水平翻转(a)的基线模型获得了0.805的mIoU、0.968的Acc、0.767的Kappa和0.883的Dice,表明简单的翻转已经有助于捕捉滑坡的对称空间模式。添加随机填充裁剪(b)(a+b)后,mIoU进一步提高到0.811,Kappa提高到0.775,表明规模和

模型优势

逐步轻量级自适应迁移学习(SLATL)框架在异构数据集上展示了强大的准确性和鲁棒性。在北海道和汶川,它分别实现了0.833和0.800的竞争性mIoU分数,同时仅需要3.578百万个参数和1.418吉浮点运算次数。这种准确性和效率的平衡凸显了其在资源受限的灾害响应和嵌入式地质灾害监测中的适用性。
该框架的模块化设计

结论

本研究提出了用于同震滑坡分割的逐步轻量级自适应迁移学习(SLATL)框架。在北海道和汶川数据集上的实验得出了三个主要发现:
  • (1) SLATL实现了0.833和0.800的竞争性准确性,同时仅需要3.578百万个参数和1.418吉浮点运算次数。这种性能和效率的平衡凸显了其在资源受限平台上的实时部署潜力。
  • (2) SLATL的模块化设计是其关键优势
  • CRediT作者贡献声明

    孟少强:撰写——审稿与编辑、撰写——原始草稿、可视化、验证、软件开发、方法论、调查、形式分析、数据管理、概念化。史振明:撰写——审稿与编辑、监督、项目管理、调查、资金获取。F. Nex:撰写——审稿与编辑、调查。Saied Pirasteh:撰写——审稿与编辑、调查。Omid Ghorbanzadeh:撰写——审稿与编辑、方法论、调查。Thomas Glade:

    利益冲突声明

    作者声明没有利益冲突。研究中使用的一些数据来自公开的在线数据集。我们承认并遵守这些数据集来源规定的使用条款和数据共享政策。
    致谢
    作者衷心感谢国家自然科学基金(项目编号425B2049)和国家重点研发计划(项目编号2023YFC3008300和2023YFC3008305)的财政支持。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号