基于多级Transformer网络的6G卫星图像滑坡检测方法技术

本发明专利技术提出一种基于多级Transformer网络的卫星滑坡图像检测方法，属于图像异常检测领域。针对现有的仅利用卷积神经网络进行图像特征提取和特征重构来进行滑坡检测，本发明专利技术采用预训练特征提取网络和无监督多级Transformer自动编码器进行滑坡检测。首先从预训练网络中提取多尺度特征，然后使用具有U形的自编码Transformer网络重构图像特征，通过多级Transformer编码器和解码器对特征的融合和重构，可以同时获取粗粒度的低级像素特征和细粒度的全局语义特征。将所提出的方法应用于卫星捕获的毕节滑坡数据集，实验结果表明，与原始CNN模型相比，本发明专利技术可以提高检测精度，有效区分滑坡和非滑坡图像数据。分滑坡和非滑坡图像数据。分滑坡和非滑坡图像数据。

【技术实现步骤摘要】
基于多级Transformer网络的6G卫星图像滑坡检测方法

：
[0001]本专利技术涉及无监督异常检测的技术，尤其涉及一种基于多级Transformer网络结构的卫星图像异常检测方法。

技术介绍
：
[0002]滑坡是一种常见的地质灾害，会给自然环境、公共基础设施和人类生活带来不可预测的破坏。近年来，随着6G卫星通信网络和遥感技术的发展，人们可以将高分辨率卫星图像应用于灾害管理、滑坡检测和识别。滑坡图像中存在多种滑坡特征，如何综合利用这些特征进行准确有效的滑坡检测，对于降低经济风险、保护人类生命具有极其重要的意义。
[0003]传统的滑坡检测方法通常使用图像纹理和颜色等统计特征来检测滑坡。此外，一些机器学习方法，如支持向量机、随机森林和遗传算法，结合了统计方法进行滑坡检测。但是，机器学习方法没有很好的特征提取能力，不能自动检测。
[0004]深度学习模型具有强大的表示学习能力，可以自动提取特征并将其应用于滑坡检测。具体来说，卷积神经网络在各种基于图像的任务中已经超越了传统的统计特征提取和机器学习方法。使用Convolutiona本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多级Transformer网络的卫星滑坡图像检测方法，其特征在于该方法包括以下步骤：步骤1：数据预处理，包括对原始数据进行划分和数据变换和增强。步骤2：模型特征提取阶段，提取一个多层特征联合表示。步骤3：模型正式训练阶段，使用多级Transformer自编码器进行训练。步骤4：模型测试阶段，使用训练好的模型测试包含滑坡和非滑坡数据。2.根据权利要求1所述的一种基于多级Transformer网络的卫星滑坡图像检测方法，其特征在于，所述步骤1中的数据预处理模块，具体步骤为：步骤1_1将数据集划分为训练集和测试集的数据文件。步骤1_2数据变换和增强。使用图像的缩放，填充，旋转，中心裁剪等方法进行图像数据的变换和增强。3.根据权利要求1所述的一种基于多级Transformer网络的卫星滑坡图像检测方法，其特征在于，所述步骤2中的特征提取模块，具体步骤为：步骤2_1将训练集数据输入ResNet
‑
18中进行特征提取，得到三个不同卷积层的输出。步骤2_2将得到的三个特征层输出两两按照通道维度相加，得到一个组合后的联合特征表示。步骤2_3直接将联合特征表示作为接下来待重构的特征向量。4.根据权利要求1所述的一种基于多级Transformer网络的卫星滑坡图像检测方法，其特征在于，所述步骤3中的正式训练模块，具体步骤为：步骤3_1输入经过ResNet
‑
18预训练好的特征数据。步骤3_2通过多级Transformer编码器对特征图像数据进行编码。level
‑
i Transformer的编码器公式如下，其中是经过预训练的特征向量。是第i级编码器的输出。z0是零填充向量，i是第i级编码器，n是patch块的大小。步骤3_3通过多...

【专利技术属性】
技术研发人员：席亮，何东，孟祥龙，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：