【论文推荐|深度学习，滑坡检测，多光谱影像，自然灾害，遥感】2022年Landslide4Sense竞赛成果：基于多源卫星影像的先进滑坡检测算法研究（四）

【论文推荐|深度学习，滑坡检测，多光谱影像，自然灾害，遥感】2022年Landslide4Sense竞赛成果：基于多源卫星影像的先进滑坡检测算法研究（四）

欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！
祝所有的硕博生都能遇到好的导师！好的审稿人！好的同门！顺利毕业！

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文：
可访问艾思科蓝官网，浏览即将召开的学术会议列表。会议详细信息可参考：https://ais.cn/u/mmmiUz

论文DOI：10.1109/JSTARS.2022.3220845

IV. 第一名团队

A. 滑坡特征分析

第一名团队为大规模滑坡检测提出了一种基于渐进标签精炼的分布适应滑坡检测框架。滑坡的独特特征为大规模遥感影像滑坡检测带来了两个特殊挑战：小物体和类别不平衡、分布不一致。

• 第一个挑战是小物体和类别不平衡，如图 3 所示。在遥感影像中，滑坡的形态非常复杂，尤其是许多小分支，这些属于小物体 [见图 3(a)]。此外，**滑坡在大规模遥感影像中并不是主要地面物体，如图 3(b) 所示，统计结果显示滑坡所占像素比例仅为 2%，而其他地面物体（背景）的像素数量是滑坡的 49 倍。**小物体和类别不平衡这两个挑战导致了较低的召回率。
• 分布不一致是大规模遥感影像滑坡检测的另一个困难挑战。在实际的滑坡检测应用中，待检测的滑坡影像来自世界各地。这些影像是不同时间采集的，导致了不同的成像条件。这种时空差异反过来导致了不同遥感影像的辐射值或像素值差异，特别是在山区 [40]，这表现为统计上的不一致性。如图 4 所示，计算并显示了训练集、验证集和测试集的遥感影像的每个波段的均值和标准差。直方图表示均值，误差条表示标准差。训练集和验证集（测试集）的统计结果差异较大，导致使用训练集数据训练的模型在验证集（测试集）上的泛化性能较差。

B. 基于渐进标签精炼的分布适应框架

为了解决大规模滑坡检测的挑战，第一名团队提出了一种基于渐进标签精炼的分布适应框架。该框架如图5所示，包括数据预处理、模型集成、模型训练、模型推理和伪标签精炼五个步骤。

数据预处理：

• 采用尺度提升方法来抵抗由小规模滑坡分支引起的弱表示问题；原始影像从128×128像素放大到512×512像素。同时，为了进行数据增强，使用了随机翻转、随机旋转和颜色扰动。颜色扰动仅应用于多光谱数据，而不用于数字高程模型（DEM）和坡度数据。
• 为了解决数据预处理阶段的分布不一致问题，提出了分离标准化方法，它通过使用不同域的均值和方差来标准化数据。例如，两个不同的域分别是模型验证阶段的训练数据集和验证数据集。分别计算这两个数据集的均值和标准差，并对这两个域中的数据进行各自的标准化。分离标准化与跨传感器迁移学习中的标准化方法类似[41]，但在数据预处理阶段执行的是基于特定领域的统计量操作。

模型集成与训练：

在语义分割模型中，使用了三种模型来整合最终的滑坡检测结果。选择考虑多尺度的U-Decoder架构作为解码器，以进一步缓解小物体问题，Swin Transformer [34]和EfficientNetV2 [42]则被选为编码器，用于捕捉滑坡的复杂特征。该框架还使用了SegFormer [35]，该模型通过自注意力机制来适应滑坡的变形形态，以及MLP用于增强难样本的特征。为了进一步提高模型的泛化能力，三种分割模型中的批量标准化（Batch Normalization）被跨传感器标准化[41]替换，以编码训练数据集和验证（测试）数据集之间的统计一致性。

在模型训练方面，使用了Lovasz损失[36]和在线难样本挖掘（OHEM）策略来解决类别不平衡问题，并使用软交叉熵损失[43]来解决伪标签中的噪声标签问题。

模型推理与伪标签精炼：

在推理阶段，以上三种模型输出的概率值被平均作为最终的预测结果。为了进一步缓解分布不一致问题，验证（测试）数据集被用来参与训练过程，并提出了渐进伪标签精炼方法来为验证或测试图像生成伪标签。基于第i轮的预测，可以使用0.7的概率阈值生成第(i+1)轮的伪标签。第(i+1)轮的模型可以通过训练数据集和带有伪标签的验证（测试）图像进行训练。领域自适应一致性训练和伪标签生成以迭代的方式进行，伪标签逐步被精炼。

C. 实验结果

我们进行了系列实验，以评估我们提出的方法在L4S数据集上的表现。在训练和测试过程中，所有波段的多源影像数据都作为输入。

图6中的结果表明，每个提出的模块都能在不同方面提高滑坡检测的准确性。特别是，分离标准化方法取得了最大的提升，解决了多源数据中的分布不一致问题。随着标签精炼次数的增加，整体性能有所提升。最终，经过最后一轮的训练，我们将这些先进模型集成，得到了最高的F1分数为80.41%。

在测试阶段的排名中，验证实验中的最佳模型被用作基准，获得了73.07%的F1分数（见图7）。与验证阶段一致，随着轮次的增加，检测准确率逐渐提高。最终，最佳模型获得了74.54%的F1分数，达到了最高水平。

下节请参考：【论文推荐|深度学习，滑坡检测，多光谱影像，自然灾害，遥感】2022年Landslide4Sense竞赛成果：基于多源卫星影像的先进滑坡检测算法研究（五）

第二届遥感测绘与全球定位算法国际学术会议（RSGPA 2025）

• 2025 2nd International Conference on Remote Sensing and Global Positioning Algorithm
• 大会官网：www.rsgpa.net
• 大会时间：2025年6月20-22日
• 接受/拒稿通知：投稿后1周左右
• 提交检索：EI-Compendex，Scopus