基于深度卷积神经网络模型的滑坡检测可视化技术( Landslide detection using visualization techniques for deep convolutional neural network models )

K Hacefendiolu G Demir HB Baaa

当大量的岩石、泥土和其他碎屑向下移动时，就会发生滑坡。一个地区的坡度直接影响滑坡的大小。如果要实施防止生命和自由损失的干预措施，就必须能够确定更有可能受到山体滑坡影响的区域位置。为了进一步实现这一目标，人们使用深度学习方法进行了研究，以评估局部地区山体滑坡的可能性。本研究旨在说明利用深度学习方法有效地侦测滑坡带，以制定积极的干预措施的可靠性。采用Resnet-50、VGG-19、Inception-V3和Xception四种深度学习方法对区域滑坡进行了预训练模型的自动检测，并对检测结果进行了比较。此外，基于深度学习方法，研究了Grad-CAM、Grad-CAM++和Score-CAM可视化技术，以准确预测滑坡的位置。本研究的重点是2010年8月26日至27日在土耳其黑海沿岸城市Rize的Gündodu地区发生的山体滑坡，不幸的是，大量人员在那里丧生。为了便于学习模型的深度学习，需要大量的滑坡场景图像，飞机从该区域获取图像，然后组织成数据集。在训练数据集中增加了非滑坡场景作为一个单独的类，以更准确地估计滑坡区域。总的来说，80%的数据将用于训练模型，而20%将用于测试由它构建的模型。利用接收机工作曲线和适用于滑坡检测特征的F1评分对试验结果进行了评价。结果表明，Resnet-50和VGG-19的成功率均在90%以上。结果也有效地证明了如何最好的可视化技术的本地化是Grad-CAM和Score-CAM。

SciDown文献求助系统（解决99%问题） Public Download Springer ResearchGate