BisDeNet: A New Lightweight Deep Learning-Based Framework for Efficient Landslide Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Landslides are catastrophic geological events that can cause significant damage to properties and result in the loss of human lives. Deep learning technology applied to optical remote sensing images can enable effective landslide-prone area detection. However, conventional landslide detection (LD) models often employ complex structural designs to ensure detection accuracy. The complexity often hampers the detection speed, rendering these models inadequate for the swift emergency monitoring of landslides. To address these problems, we propose a new lightweight deep learning-based framework, BisDeNet, for efficient LD. To improve the efficiency of the proposed BisDeNet, we replaced the context path in the original BiSeNet with DenseNet due to its strong feature extraction ability, few required parameters, and low model complexity. Two sites with different and representative landslide developments were selected as the study areas to verify the performance of our proposed BisDeNet. Additionally, we introduced landslide causative factors to enhance the sampling dataset. To evaluate the effectiveness of our approach, we compared the performance of our BisDeNet with the performances of three other BiSeNet-based methods and an advanced Transformer-based model DeiT (Data-efficient Image Transformer). Our experimental results indicate that the F1 scores of BisDeNet in the two study areas are 0.9006 and 0.8850, which are 26.22% and 1.86% higher than the scores of BiSeNet, respectively, but slightly lower than that of the DeiT model. Furthermore, our proposed BisDeNet requires the fewest number of parameters and the least memory out of the five models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle