LS-YOLO: A Novel Model for Detecting Multiscale Landslides With Remote Sensing Images
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
The landslide is a widespread and devastating natural disaster, posing serious threats to human life, security, and natural assets. Investigating efficient methods for accurate landslide detection with remote sensing images has important academic and practical implications. In this article, we proposed an LS-YOLO, a novel and effective model for landslide detection with remote sensing images. We first built a multi-scale landslide dataset (MSLD) and introduced random seeds in the data augmentation to increase data robustness. Considering the multi-scale characteristic of landslides in remote sensing images, a multi-scale feature extraction module is designed based on Efficient Channel Attention, Average Pooling, and Spatial Separable Convolution. To increase the receptive field of the model, dilated convolution is employed to the decoupled head. Specifically, the context enhancement module consisting of dilation convolutions is added to the decoupled head regression task branch, and then the improved decoupled head is to replace the coupled head in YOLOv5s. Extensive experiments show that our proposed model has high performance for multi-scale landslide detection, and outperforms other object detection models (Faster RCNN, SSD, EfficientDet-D0, YOLOv5s, YOLOv7, and YOLOX). Compared to the baseline model YOLOv5s, the AP of the LS-YOLO for detecting landslides has increased by 2.18% to 97.06%. The code and MSLD will be available at https://github.com/wenjieo/LS-YOLO.
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 | 0,000 |
| 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