Landslide Recognition Based on DeepLabv3+ Framework Fusing ResNet101 and ECA Attention Mechanism
Notice bibliographique
Résumé
A landslide is one of the most common geological disasters, which is associated with great destructive power and harm. In recent years, semantic segmentation models have been applied to landslide recognition research and have made some achievements. However, the current method still has issues, overlooking small targets like fine cracks, missegmenting boundaries, and struggling to differentiate spectral signatures such as those of different rock types in landslide-prone areas. In this paper, a landslide detection model based on the DeepLabv3+ framework, DeepLabv3+-ResNet101-ECA, is proposed. The backbone feature extraction network of DeepLabv3+ is replaced with ResNet101 to enhance the feature extraction ability of the model for small objects. The ECA attention mechanism is integrated into the model to improve the accuracy of the object segmentation and improve the detection accuracy. Taking the landslide in Bijie City, Guizhou Province, as the research object, compared with the original DeepLabv3+ model, the precision of DeepLabv3+-ResNet101-ECA is increased by 1.17%, the recall rate is increased by 2%, the F1 score is increased by 0.96%, and the MIou is increased by 2.36%. Finally, transfer learning is used to verify the generalization ability of the model. The results show that the improved model has a better detection effect on landslides.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».