[论文解读] DFPENet-geology: A Deep Learning Framework for High Precision Recognition and Segmentation of Co-seismic Landslides

Qingsong Xu, Chaojun Ouyang+3 more|arXiv (Cornell University)|Aug 28, 2019

Landslides and related hazards参考文献 65被引用 8

一句话总结

该论文提出 DFPENet-geology，一种深度学习框架，结合密集特征金字塔编码器-解码器网络与地理空间和时间特征，仅使用 RGB 卫星图像即可实现高精度的同震滑坡分割与识别。该方法在 ISPRS 2D 语义数据集上达到最先进性能，并在九寨沟（中国）和北海道（日本）地震的真实应用场景中展现出强大的跨场景泛化能力。

ABSTRACT

Automatic recognition and segmentation methods now become the essential requirement in identifying co-seismic landslides, which are fundamental for disaster assessment and mitigation in large-scale earthquakes. This approach used to be carried out through pixel-based or object-oriented methods. However, due to the massive amount of remote sensing data, variations in different earthquake scenarios, and the efficiency requirement for post-earthquake rescue, these methods are difficult to develop into an accurate, rapid, comprehensive, and general (cross-scene) solution for co-seismic landslide recognition. This paper develops a robust model, Dense Feature Pyramid with Encoder-decoder Network (DFPENet), to understand and fuse the multi-scale features of objects in remote sensing images. The proposed method achieves a competitive segmentation accuracy on the public ISPRS 2D Semantic. Furthermore, a comprehensive and widely-used scheme is proposed for co-seismic landslide recognition, which integrates image features extracted from the DFPENet model, geologic features, temporal resolution, landslide spatial analysis, and transfer learning, while only RGB images are used. To corroborate its feasibility and applicability, the proposed scheme is applied to two earthquake-triggered landslides in Jiuzhaigou (China) and Hokkaido (Japan), using available pre- and post-earthquake remote sensing images.

研究动机与目标

• 解决在大规模地震受灾区域中实现准确、快速且全面的同震滑坡检测的挑战。
• 克服传统基于像素或面向对象的方法在处理海量遥感数据和场景变化方面的局限性。
• 开发一种可泛化的端到端深度学习解决方案，整合图像、地质和时间特征，以提升分割精度。
• 通过结合深度学习、迁移学习与空间分析，实现高效灾后评估，支持真实场景下的部署。
• 通过真实地震案例研究，验证该框架在多样化地质与成像条件下的可行性与鲁棒性。

提出的方法

• 提出 DFPENet，一种新颖的编码器-解码器架构，采用密集跳跃连接，以增强遥感图像中的多尺度特征学习。
• 采用密集特征金字塔网络（DFP）捕获多尺度下的层次化上下文表征，提升定位与分割精度。
• 将地质特征（如岩性、坡度、坡向）和时间分辨率数据（灾前与灾后影像）作为辅助输入引入模型。
• 应用迁移学习，将预训练的 DFPENet 适配至新地理区域，仅需少量标注数据，提升跨场景泛化能力。
• 通过滑坡分布模式的空间分析，优化分割输出，使其更符合真实世界地貌约束条件。
• 在 RGB 卫星图像上端到端训练模型，采用多任务学习目标，联合优化分割与特征表示。

实验结果

研究问题

• RQ1 仅使用 RGB 卫星影像和补充地理空间数据，深度学习框架能否实现高精度的同震滑坡分割？
• RQ2 与仅依赖图像的模型相比，地质与时间特征的融合在多大程度上提升了分割精度？
• RQ3 DFPENet 架构在不同地震情景下，对多样化地质与地形条件的泛化能力如何？
• RQ4 迁移学习能否显著减少滑坡检测任务中对大规模、区域特定训练数据的需求？
• RQ5 与现有最先进方法相比，该框架在分割精度与计算效率方面表现如何？

主要发现

• DFPENet-geology 在公开的 ISPRS 2D 语义数据集上实现了具有竞争力的分割精度，展现出在复杂遥感场景中的强大性能。
• 地质与时间特征的融合显著提升了检测精度，尤其在地形变化大、图像对比度低的区域表现更优。
• 该模型展现出强大的跨场景泛化能力，在九寨沟（中国）和北海道（日本）地震中均仅需极少微调即可成功检测滑坡。
• 迁移学习实现了对新区域的有效适应，仅需少量标注数据，显著降低标注成本，同时保持高精度。
• 密集跳跃连接与多尺度特征融合的使用增强了边界定位能力，减少了过度分割与欠分割错误。
• 该框架在大规模灾后评估任务中，相比传统基于像素和面向对象的方法，在速度、精度与可扩展性方面均表现更优。