一种大区域滑坡识别的并行DCNN分类方法技术

本发明专利技术公开了一种大区域滑坡识别的并行DCNN分类方法，包括以下步骤：S1：数据预处理；对图像数据原始特征向量中的冗余特征进行预处理；S1‑1：特征提取；通过降噪自动编码器并行提取图像特征，并进行去噪；S1‑2：特征筛选；计算特征向量之间的相似度，筛选出区分能力强的图像特征；S2：负载均衡；对输入的数据进行划分；S2‑1：通过负载均衡策略LBCS进行数据预估；S2‑2：数据划分；S3：对模型进行量化，降低模型训练能耗，提高模型运算效率；S3‑1：并行训练；获取最优的权重和激活；S3‑2：对批归一化层进行合并；S3‑3：对模型并行训练后得到的激活和权重进行量化。能够显著提升DCNN模型在大数据环境下的训练效率，同时在滑坡图像数据集上表现出良好的可扩展性。

【技术实现步骤摘要】

本专利技术涉及大数据挖掘和gis，具体涉及一种大区域滑坡识别的并行dcnn分类方法。

技术介绍

1、山体滑坡是一种严重威胁生态环境和人类生命财产安全的自然灾害。大区域滑坡灾害通常涉及面积广阔、体积庞大的山体运动，给当地带来毁灭性的破坏。及时、准确识别和监测大区域滑坡对于防灾减灾至关重要。传统的滑坡识别方法包括地质调查、现场勘测和遥感影像分析等。然而，这些方法在大区域应用时存在诸多不足：①工作量大，难以高效覆盖大范围区域；②依赖人工解译，主观性强、精度有限；③缺乏自动化程度高的智能分析手段。因此，亟需开发高效、精准的大区域滑坡智能识别新方法。

2、近年来，机器学习技术在遥感影像分析领域展现出广阔的应用前景。通过从大量样本数据中自动学习特征模式，机器学习算法能够自动高效地完成目标检测、分类等智能分析任务。特别是深度卷积神经网络(dcnn)，凭借强大的特征学习能力，在图像分类任务中取得了卓越的性能表现。一些学者已开始探索将dcnn应用于滑坡识别，取得了可喜的初步进展。2019年，omid等人采用多层卷积层和全连接层的组合，将识别精度提升至92％左右；本文档来自技高网...

【技术保护点】

1.一种大区域滑坡识别的并行DCNN分类方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种大区域滑坡识别的并行DCNN分类方法，其特征在于：步骤S1-1包括以下步骤：

3.根据权利要求1所述的一种大区域滑坡识别的并行DCNN分类方法，其特征在于：步骤S1-2包括以下步骤：

4.根据权利要求1所述的一种大区域滑坡识别的并行DCNN分类方法，其特征在于：步骤S2-1包括以下步骤：

5.根据权利要求1所述的一种大区域滑坡识别的并行DCNN分类方法，其特征在于：步骤S2-2包括以下步骤：

6.根据权利要求5所述的一种大区域滑...

【技术特征摘要】

1.一种大区域滑坡识别的并行dcnn分类方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种大区域滑坡识别的并行dcnn分类方法，其特征在于：步骤s1-1包括以下步骤：

3.根据权利要求1所述的一种大区域滑坡识别的并行dcnn分类方法，其特征在于：步骤s1-2包括以下步骤：

4.根据权利要求1所述的一种大区域滑坡识别的并行dcnn分类方法，其特征在于：步骤s2-1包括以下步骤：

5.根据权利要求1所述的一种大区域滑坡识别的并行dcnn分类方法，其特征在于：步骤s2-2包括以下步骤：

6.根据权利要求...

【专利技术属性】
技术研发人员：孙萍萍，毛伊敏，贾俊，刘映兴，甘小卉，刘港，郭小鹏，
申请(专利权)人：中国地质调查局西安地质调查中心西北地质科技创新中心，
类型：发明
国别省市：