【技术实现步骤摘要】
基于DEM特征增强的视觉Transformer滑坡识别方法
[0001]本专利技术涉及一种图像识别方法,尤其涉及一种基于
DEM
特征增强的视觉
Transformer
滑坡识别方法
。
技术介绍
[0002]随着对地观测技术的迅猛发展,遥感技术在大范围地质灾害调查中的应用也越来越普遍
。
从大量的遥感数据中快速
、
全面和准确地识别出滑坡对防灾减灾具有重要意义
。
[0003]宋雨洋等人(
2022
年)提出了一种基于
Google
开源数据与支持向量机
(SVM)
相结合的方法,以川西地区为实验区,实现了遥感图像上滑坡的准确识别
。
[0004]季顺平等人提出了卷积神经网络与
3D
通道注意力机制结合的方式进行滑坡分类识别,在自己构建的毕节滑坡数据集最终实验结果精确度为
98.16%
,
F1
分数达到
96.62%。
[0005]杨昭颖等提出来融合
DEM
的卷积神经网络分类模型,并在自己制作的黄土滑坡数据库上进行了实验验证,最终实验结果精确度为
95.7。
[0006]SVM
方法存在识别精度不高,季顺平等人并未引入
DEM
特征,杨昭颖等人的方法未结合注意力机制
。
随着
2021
年视觉
Trans ...
【技术保护点】
【技术特征摘要】
1.
一种基于
DEM
特征增强的视觉
Transformer
滑坡识别方法,其特征在于,包括以下步骤:(1)获取数据集;所述数据集包括遥感数据集
D1
和
DEM
图像数据集
D2
;
D1
中包含大量标记有滑坡区域的遥感图像,尺寸为
M
×
M
×3,
M
为长度和宽度值,
M≥128
;
D2
中包含与遥感图像块一一对应的
DEM
图像,尺寸为
M
×
M
×1;遥感图像与对应的
DEM
图像构成样本数据对;(2)构建一滑坡识别网络,包括
DEM
特征提取单元和
Swin
‑
Transformer
网络;所述
DEM
特征提取单元,用于将4×4像素点视为一子区,计算每个子区的粗糙度,并构成粗糙度矩阵,再用一预设的阈值与对每个粗糙度对比,将粗糙度矩阵中,小于阈值的粗糙度替换为一无穷小的数,其余粗糙度替换为0,得到掩码矩阵;所述
Swin
‑
Transformer
网络包括依次连接的图片分块单元
、
四个降采样单元和一分类头,且图片分块单元与第一个降采样单元间设有一图像叠加单元;所述图像叠加单元用于将掩码矩阵与图片分块单元的输出进行叠加,得到叠加图像;(3)训练滑坡识别网络,得到识别模型;(
31
)设置训练次数
、
及每次训练送入滑坡识别网络中样本数据对的数量;(
32
)将样本数据对送入滑坡识别网络,对其中一样本数据对,
DEM
特征提取单元处理
DEM
图像,得到大小为
M/4
×
M/4
×1掩码矩阵,
Swin
‑
Transformer
网络将遥感图像经图片分块单元分为
M/4
×
M/4
×
96
的图像块,与掩码矩阵叠加得到叠加图像,再经四个降采样单元和分类头后输出目标识别结果;(
33
)计算本次训练的损失函数,用
Lion
优化器更新滑坡识别网络的参数;(
34
)重复步骤(
32
)
、
(
33
)至参数收敛,得到识别模型;(4)用识别模型进行目标识别;(
41
)获取待识别区域的遥感图像,构建对应的
DEM
图像,并将遥感图像剪裁至
M
×
M
×3的遥感图像块
、DEM
图像剪裁...
【专利技术属性】
技术研发人员:冷小鹏,贾璐,赵富鸿,
申请(专利权)人:成理智源科技成都有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。