[论文解读] A New Mask R-CNN Based Method for Improved Landslide Detection

Silvia Liberata Ullo, Amrita Mohan+5 more|arXiv (Cornell University)|Oct 4, 2020

Landslides and related hazards参考文献 30被引用 9

一句话总结

本文提出了一种基于Mask R-CNN的新方法，通过像素级分割和迁移学习实现更优的滑坡检测。通过增强仅包含160张滑坡与非滑坡图像的小型数据集，并使用ResNet-101作为主干网络进行微调，模型实现了97%的F1分数、100%的精确率和93%的召回率，即使在训练样本有限的情况下也表现出强劲性能。

ABSTRACT

This paper presents a novel method of landslide detection by exploiting the Mask R-CNN capability of identifying an object layout by using a pixel-based segmentation, along with transfer learning used to train the proposed model. A data set of 160 elements is created containing landslide and non-landslide images. The proposed method consists of three steps: (i) augmenting training image samples to increase the volume of the training data, (ii) fine tuning with limited image samples, and (iii) performance evaluation of the algorithm in terms of precision, recall and F1 measure, on the considered landslide images, by adopting ResNet-50 and 101 as backbone models. The experimental results are quite encouraging as the proposed method achieves Precision equals to 1.00, Recall 0.93 and F1 measure 0.97, when ResNet-101 is used as backbone model, and with a low number of landslide photographs used as training samples. The proposed algorithm can be potentially useful for land use planners and policy makers of hilly areas where intermittent slope deformations necessitate landslide detection as prerequisite before planning.

研究动机与目标

• 开发一种基于深度学习的鲁棒滑坡检测系统，用于丘陵地区的早期预警和土地利用规划。
• 通过数据增强和迁移学习，解决滑坡检测中训练数据有限的挑战。
• 通过Mask R-CNN的实例分割能力提升地理空间影像中的分割精度。
• 使用标准指标——精确率、召回率和F1——在精选的滑坡与非滑坡图像数据集上评估模型性能。
• 为土地利用规划者和政策制定者提供一种实用工具，用于在基础设施建设前检测坡面不稳定性。

提出的方法

• 该方法采用Mask R-CNN进行实例分割，实现在卫星或航空影像中对滑坡进行像素级定位。
• 整理了一个包含160张图像的自定义数据集，涵盖滑坡与非滑坡样本，用于训练和评估。
• 应用数据增强技术，以增加训练集的有效规模并提升模型泛化能力。
• 通过使用ImageNet预训练的ResNet-50和ResNet-101作为主干网络，实现迁移学习，以在数据有限的情况下增强特征学习能力。
• 采用两阶段训练流程：先进行特征提取，再进行端到端微调，对模型进行微调。
• 通过保留的测试集评估性能，使用精确率、召回率和F1分数来评估检测准确性和鲁棒性。

实验结果

研究问题

• RQ1 当在仅160张图像的小型数据集上训练时，结合迁移学习的Mask R-CNN能否实现高精度的滑坡检测？
• RQ2 在训练样本有限的情况下，数据增强如何影响滑坡检测模型的泛化能力和性能？
• RQ3 在滑坡实例分割任务中，ResNet-50与ResNet-101作为主干网络的性能表现有何差异？
• RQ4 在标注训练数据极少的情况下，深度学习模型能在多大程度上实现高精确率和高召回率？
• RQ5 所提出的方法能否支持土地利用规划和坡面稳定性监测中的实际应用？

主要发现

• 当使用ResNet-101作为主干模型时，所提出方法的精确率为1.00，召回率为0.93，F1分数为0.97。
• 仅使用160张训练图像，模型即展现出强大的泛化能力和鲁棒性，表明其在实际部署中具有高度潜力。
• 数据增强的使用显著提升了模型性能，通过增加训练样本的多样性。
• 在F1分数和召回率方面，ResNet-101优于ResNet-50，表明在此背景下更深的网络能从迁移学习中获益更多。
• 高精确率表明误报极少，这对土地利用规划中的可靠决策至关重要。
• 结果证实，即使在数据有限的情况下，结合迁移学习的Mask R-CNN在像素级滑坡分割方面仍极为有效。