迁移学习帮大忙!成都理工大学搭建 SCDUNet++ 模型进行滑坡测绘

杂记--大杂烩 杂记--大杂烩内容 内容 地质年代单位指的是地质历史时期中的时间划分单位,不是物质实体,按照级别从高到低可以分为宙、代、纪、世、期。年代地层单位则是指以地层的形成时限(或地质时代)作为依据而划分的一种地层单位,或者说是在某一特定的地质时间间隔中形成的所有地层,从高到低也可以分为五个级别:宇、界、系、统、阶。与地质年代单位中的宙、代、纪、世、期一一对应。通俗点讲,地质年代单位代表的是时间,年代地层单位代表了这段时间内形成的地层 水合物饱和度:沉积物孔隙中水合物所占的百分比 底辟构造:地下较深处密度较小的高塑性 阅读详情

近年来,人们对遥感图像自动绘制滑坡地图的方法进行了大量研究,但由于山体滑坡在特征和规模上存在较大差异,加之光学遥感影像存在相似性,导致现有方法在准确进行滑坡测绘工作时面临着各种各样的挑战。

图片
滑坡是最常见的自然灾害之一,通常由地震和降雨引发,会造成严重的财产损失和人员伤亡。由地震触发的山体滑坡所造成的破坏,有时会比地震本身造成的破坏更为严重。大型地震发生之后,快速、准确地开展滑坡测绘工作 (landslide mapping, LM) 对于紧急救援、及时定量灾害评估和灾后重建至关重要。

近年来,人们对遥感图像自动绘制滑坡地图的方法进行了大量研究,但由于山体滑坡在特征和规模上存在较大差异,加之光学遥感影像存在相似性,导致现有方法在准确进行滑坡测绘工作时面临着各种各样的挑战。

图片

遥感滑坡图像

为此,成都理工大学的研究人员提出了一个名为 SCDUNet++ 的语义分割模型 ,该模型结合了卷积神经网络 (CNN) 和 Transformer 的优势,增强了对滑坡特征的识别和提取,性能优于 FCN, DeepLabv3+, Segformer 等其他 8 个深度学习模型,在 IoU 方面提高了 1.91% 至 24.42%,在 F1 方面提高了 1.26% 至 18.54%。 该成果已发表于 International Journal of Applied Earth Observation and Geoinformation。

注:IoU 为交并比,衡量预测区域和真实区域之间的重叠程度;F1 为精确度和召回率的调和平均值,衡量模型的准确性和完整性。

研究亮点:

  • 利用多通道数据的语义分割模型绘制滑坡图

  • 利用地形和光谱指数因子改善滑坡绘图

  • 经过深度迁移学习后,模型在数据匮乏地区的性能大大提高

  • 所提出的模型在绘图和迁移性等方面优于其他模型

图片

论文地址:**

https://doi.org/10.1016/j.jag.2023.103612
数据集一键下载:

https://hyper.ai/datasets/29647
关注公众号,后台回复「滑坡」获取完整 PDF

实验过程:搭建 SCDUNet++ 模型

数据集:泸定和九寨沟地震数据

2022 年的泸定 6.8 级地震和 2017 年的九寨沟 7.0 级地震都造成了严重的滑坡灾害,因此研究人员选择这两个地区进行实验研究。

图片

实验地区概览

数据集中包含三部分内容,整合后存储为 HDF5 格式。

Sentinel-2(哨兵 2 号卫星) 多光谱数据: 2022/03/15 和 2022/11/25 的泸定地区数据,2017/07/29 和 2017/09/07 的九寨沟数据。

NASADEM (Digital Elevation Model) 数据: 在 NASADEM 官网上下载数据,得到坡度、坡向、曲率、山荫及地形湿度指数 (TWI) 等数据。

滑坡数据 (landslide inventory): 结合 Sentinel-2 光学遥感图像和谷歌地球图像,由专家进行人工标注。

模型架构:三大模块构成

下图为构建的 SCDUNet++ 模型整体架构:

图片

SCDUNet++ 整体架构

GLFE (Global Local Feature Extraction) 模块:如图 b 所示,GLFE 模块结合浅层 CNN 结构和深层 Swin Transformer 结构,有效地处理了滑坡图像特征的提取和分类问题。

DSSA (Detailed Spatial Spectral Aggregation) 模块:通过融合来自 GLFE 模块的光谱和空间特征,加强对多光谱图像中复杂信息的处理能力,该模块能够执行更精确的光谱和空间特征提取,增强了模型对多光谱图像分析的效率和准确性。

DSC (Dense Skip Connection) :如图 d 所示,该模块能够恢复每个阶段特征的分辨率。

最后,对每个阶段的特征进行加权和融合,得到最终的结果。

算法训练:基于简单模型的 DTL 方法

研究人员引入深度迁移学习 (deep transfer learning,DTL) 方法以提高 LM 和模型的迁移性能,算法训练旨在有效处理滑坡和背景在遥感图像中的不平衡分布,同时确保模型在多个性能指标上的高效性。

图片

基于网络的 DTL 方法

实验结果:经过迁移学习,模型有效开展滑坡测绘工作

模型评估:GLFE 模块和 DSSA 模块结合的有效性

研究人员以滑坡地图绘制常用的方法 UNet++ 作为基线,以泸定地区 I、II 为实验组,开展了消融实验 (ablation experiment),对添加不同模块的模型进行比较,重点关注 IoU 和 F1 两个整体性指标。

图片
图片

由下表可见:

  • GLFE 模块的有效性:与基线相比,IoU 和 F1 分别提高了 1.7% 和 1.16%。

  • DSSA 模块的有效性:与基线相比,IoU 和 F1 分别提高了 1.88% 和 1.28%。

  • SCDUNet++ 模型:与基线相比,IoU 和 F1 分别提高了 2.83% 和 1.92%。

图片

模型比较结果

总结来看,研究人员将 GLFE 模块和 DSSA 模块添加到基线模型 UNet++ 中,形成了 SCDUNet++ 模型。SCDUNet++ 模型保留了小型滑坡图像以获得更好的性能,模型精确度提高了 0.46% ,召回率提高了 4.06%。

图片

复杂区域消融实验的可视化结果

a:基线
b:基线 + GLFE
c:基线 + DSSA
d:基线 + GLFE + DSSA

泸定地区测试:SCDUNet++ 展现优越性能

在泸定 I、II 测试地区,研究人员将 SCDUNet++ 模型与其余 8 种模型的滑坡测绘工作进行比较,揭示了 SCDUNet++ 对特定地理特征和环境复杂度的敏感性。

下图结果显示,测试区域 Ⅰ 中,SCDUNet++ 在精确度、召回率、MCC、IoU、MIoU 和 F1 分数上均表现出较高的性能。这表明该模型在相对复杂的地理环境中仍能保持较高的检测准确性。 而背景较为简单的测试区域 Ⅱ 实验结果也证实了 SCDUNet++ 在不同环境下的适应性,尤其在召回率和 MIoU 上表现突出。

图片
图片

不同模型在地区 I、II 的比较结果

在可视化结果中,SCDUNet++ 模型展现了优越的性能,具体表现为:

滑坡测绘完整性: SCDUNet++ 能够生成相对完整的滑坡地图,相比之下,FCN、Segformer、TransUNet 和 UNet 等模型遗漏了部分小型滑坡图像。

对 FP(假正例,即错误预测为正类的负类)的处理:由于裸土区域和滑坡特征十分相似,所有模型都出现了不同程度的 FP,但 SCDUNet++ 能够基于特定的特征提取模块,在一定程度上抑制 FP 的产生。

边界区域的处理:研究人员在滑坡和背景的边界区域发现了大量的 FN(假负例,即错误预测为负类的正类)和 FP,但 SCDUNet++ 采用嵌套解码器,能够在各个层次恢复和融合特征并进行深度监督,有效解决边界不准确问题。

图片

泸定试验区分区各模型滑坡测绘可视化结果

A、 B、 C 和 D 中的白色矩形显示了结果之间的主要差异
a:测试地区 I
b:测试地区 II

总的来说,SCDUNet++ 模型展现出了在泸定地区进行滑坡测绘的强大潜力,尤其在处理复杂环境和精确边界判定方面表现卓越。

九寨沟地区测试:迁移学习后的模型预测更准

直接使用在泸定地区训练的模型

指标对比:SCDUNet++ 在大多数指标上表现优于其他模型。但需要考虑九寨沟试验区的特征相对简单,模型测试结果应该会优于泸定地区,可是指标都不是非常理想。

可视化结果:下图展示了映射结果中 FP(蓝色区域)很少,但遗漏了许多实际的滑坡。

图片

九寨沟地区滑坡测绘

经过深度迁移学习优化的模型

指标提升:经过深度迁移学习后,所有指标在测试区域 Ⅲ 和 Ⅳ 中均显示出显著提升,特别是召回率和 F1 分数显著增加,SCDUNet++ 模型依然在多个指标上表现最佳。

图片

经过 DTL 优化后模型指标变化

可视化结果:经过深度迁移学习后 FN(假负例,即错误预测为负类的正类)显著减少,模型有效地识别并映射出大型滑坡,减少了漏检的情况。同时模型 LM 结果包含了大多数小型滑坡,这表明经过深度迁移学习的 SCDUNet++ 模型对于细小和复杂的滑坡特征有了更好的识别能力。

图片

SCDUNet++ LM 结果变化

a: DTL 前的测试区 III
b: DTL 后的测试区 III
c: DTL 前的测试区 IV
d: DTL 后的测试区 IV

地质灾害防治领域的国家重点实验室

成都地处四川盆地西部,地层结构复杂,当地及周边地区经常受到地震灾害侵扰。可以说,成都一直奋战在防灾减灾的一线,其中成都理工大学更是最早一批加入「战斗」的中坚力量。

1989 年,原国家计委、国家教委批准,在成都理工大学(原成都地质学院)地质工程国家重点学科基础上建立国家专业实验室,此为地质灾害防治与地质环境保护国家重点实验室的前身。 2001 年,该实验室被四川省人民政府批准为「四川省重点实验室」。2002 年成为科技部与四川省共建的「国家重点实验室培育基地」,2003 年被批准为国土资源部重点实验室,2007 年 10 月被科技部批准列入国家重点实验室建设计划,2010 年 12 月通过科技部验收。

此外,该实验室是我国地质灾害防治领域目前唯一的国家重点实验室,在 2017 年被国土资源部、科技部命名为「国家国土资源科普基地」,2020 年入选四川省第十二批省级科普基地。

图片

成理地灾国重实验室

屹立千年的山体一旦发生滑坡,岩石、土壤便顺着倾斜的山体,像流水一样顷刻间掩埋一座几公里外的村镇。灾难的背后是一个又一个谜团等待研究人员的探索,多年来,实验室的研究人员们从现场调(勘)查、模拟评估、监测预警等工作中逐步积累出一整套地质灾害防治和地质环境保护的理论与技术系统。

2023 年 11 月,研究人员在 PNAS 上发表论文,在地震、滑坡粘滑不稳定性研究领域取得重要进展;2023 年 9 月发表论文研究地震或滑坡的粘滑前兆特征,为即将发生的地震或滑坡提供预测信息;2023 年 1 月破解高速远程滑坡超强流态化谜团……

自古至今,人类多次经受自然灾害的「迫害」,地震、海啸、暴雨、干旱等等,致使无数家庭流离失所。尽管是在科技日新月异的今天,我们也难以与自然力量抗衡,更多的则是防范与预警。尤其是在 AI、大数据等技术的快递迭代之下,过往灾害所沉淀下的数据成为了宝贵的养料,帮助各类预测模型提升精度与准确性,从而更好地服务于当下社会。

我们总愿意相信人定胜天,所以自然灾害面前,人类也从未退缩,相信 AI 等技术也将成为人类抵御自然灾害、保护生命财产安全的坚实盾牌。

HyperAI官网已上传自然灾害、地质相关的数据集

xBD 自然灾害图像数据集:

https://hyper.ai/datasets/13272

RSSCN7 Data Set 遥感图像数据集:

https://hyper.ai/datasets/5440

European Flood 2013 欧洲洪水数据集:

https://hyper.ai/datasets/21579

参考资料:
https://www.sklgp.cdut.edu.cn/遥感滑坡图像

为此,成都理工大学的研究人员提出了一个名为 SCDUNet++ 的语义分割模型 ,该模型结合了卷积神经网络 (CNN) 和 Transformer 的优势,增强了对滑坡特征的识别和提取,性能优于 FCN, DeepLabv3+, Segformer 等其他 8 个深度学习模型,在 IoU 方面提高了 1.91% 至 24.42%,在 F1 方面提高了 1.26% 至 18.54%。 该成果已发表于 International Journal of Applied Earth Observation and Geoinformation。

注:IoU 为交并比,衡量预测区域和真实区域之间的重叠程度;F1 为精确度和召回率的调和平均值,衡量模型的准确性和完整性。

研究亮点:

  • 利用多通道数据的语义分割模型绘制滑坡图

  • 利用地形和光谱指数因子改善滑坡绘图

  • 经过深度迁移学习后,模型在数据匮乏地区的性能大大提高

  • 所提出的模型在绘图和迁移性等方面优于其他模型

图片

论文地址:

https://doi.org/10.1016/j.jag.2023.103612
数据集一键下载:

https://hyper.ai/datasets/29647
关注公众号,后台回复「滑坡」获取完整 PDF

实验过程:搭建 SCDUNet++ 模型

数据集:泸定和九寨沟地震数据

2022 年的泸定 6.8 级地震和 2017 年的九寨沟 7.0 级地震都造成了严重的滑坡灾害,因此研究人员选择这两个地区进行实验研究。

图片

实验地区概览

数据集中包含三部分内容,整合后存储为 HDF5 格式。

Sentinel-2(哨兵 2 号卫星) 多光谱数据: 2022/03/15 和 2022/11/25 的泸定地区数据,2017/07/29 和 2017/09/07 的九寨沟数据。

NASADEM (Digital Elevation Model) 数据: 在 NASADEM 官网上下载数据,得到坡度、坡向、曲率、山荫及地形湿度指数 (TWI) 等数据。

滑坡数据 (landslide inventory): 结合 Sentinel-2 光学遥感图像和谷歌地球图像,由专家进行人工标注。

模型架构:三大模块构成

下图为构建的 SCDUNet++ 模型整体架构:

图片

SCDUNet++ 整体架构

GLFE (Global Local Feature Extraction) 模块:如图 b 所示,GLFE 模块结合浅层 CNN 结构和深层 Swin Transformer 结构,有效地处理了滑坡图像特征的提取和分类问题。

DSSA (Detailed Spatial Spectral Aggregation) 模块:通过融合来自 GLFE 模块的光谱和空间特征,加强对多光谱图像中复杂信息的处理能力,该模块能够执行更精确的光谱和空间特征提取,增强了模型对多光谱图像分析的效率和准确性。

DSC (Dense Skip Connection) :如图 d 所示,该模块能够恢复每个阶段特征的分辨率。

最后,对每个阶段的特征进行加权和融合,得到最终的结果。

算法训练:基于简单模型的 DTL 方法

研究人员引入深度迁移学习 (deep transfer learning,DTL) 方法以提高 LM 和模型的迁移性能,算法训练旨在有效处理滑坡和背景在遥感图像中的不平衡分布,同时确保模型在多个性能指标上的高效性。

图片

基于网络的 DTL 方法

实验结果:经过迁移学习,模型有效开展滑坡测绘工作

模型评估:GLFE 模块和 DSSA 模块结合的有效性

研究人员以滑坡地图绘制常用的方法 UNet++ 作为基线,以泸定地区 I、II 为实验组,开展了消融实验 (ablation experiment),对添加不同模块的模型进行比较,重点关注 IoU 和 F1 两个整体性指标。

图片
图片

由下表可见:

  • GLFE 模块的有效性:与基线相比,IoU 和 F1 分别提高了 1.7% 和 1.16%。

  • DSSA 模块的有效性:与基线相比,IoU 和 F1 分别提高了 1.88% 和 1.28%。

  • SCDUNet++ 模型:与基线相比,IoU 和 F1 分别提高了 2.83% 和 1.92%。

图片

模型比较结果

总结来看,研究人员将 GLFE 模块和 DSSA 模块添加到基线模型 UNet++ 中,形成了 SCDUNet++ 模型。SCDUNet++ 模型保留了小型滑坡图像以获得更好的性能,模型精确度提高了 0.46% ,召回率提高了 4.06%。

图片

复杂区域消融实验的可视化结果

a:基线
b:基线 + GLFE
c:基线 + DSSA
d:基线 + GLFE + DSSA

泸定地区测试:SCDUNet++ 展现优越性能

在泸定 I、II 测试地区,研究人员将 SCDUNet++ 模型与其余 8 种模型的滑坡测绘工作进行比较,揭示了 SCDUNet++ 对特定地理特征和环境复杂度的敏感性。

下图结果显示,测试区域 Ⅰ 中,SCDUNet++ 在精确度、召回率、MCC、IoU、MIoU 和 F1 分数上均表现出较高的性能。这表明该模型在相对复杂的地理环境中仍能保持较高的检测准确性。 而背景较为简单的测试区域 Ⅱ 实验结果也证实了 SCDUNet++ 在不同环境下的适应性,尤其在召回率和 MIoU 上表现突出。

图片
图片

不同模型在地区 I、II 的比较结果

在可视化结果中,SCDUNet++ 模型展现了优越的性能,具体表现为:

滑坡测绘完整性: SCDUNet++ 能够生成相对完整的滑坡地图,相比之下,FCN、Segformer、TransUNet 和 UNet 等模型遗漏了部分小型滑坡图像。

对 FP(假正例,即错误预测为正类的负类)的处理:由于裸土区域和滑坡特征十分相似,所有模型都出现了不同程度的 FP,但 SCDUNet++ 能够基于特定的特征提取模块,在一定程度上抑制 FP 的产生。

边界区域的处理:研究人员在滑坡和背景的边界区域发现了大量的 FN(假负例,即错误预测为负类的正类)和 FP,但 SCDUNet++ 采用嵌套解码器,能够在各个层次恢复和融合特征并进行深度监督,有效解决边界不准确问题。

图片

泸定试验区分区各模型滑坡测绘可视化结果

A、 B、 C 和 D 中的白色矩形显示了结果之间的主要差异
a:测试地区 I
b:测试地区 II

总的来说,SCDUNet++ 模型展现出了在泸定地区进行滑坡测绘的强大潜力,尤其在处理复杂环境和精确边界判定方面表现卓越。

九寨沟地区测试:迁移学习后的模型预测更准

直接使用在泸定地区训练的模型

指标对比:SCDUNet++ 在大多数指标上表现优于其他模型。但需要考虑九寨沟试验区的特征相对简单,模型测试结果应该会优于泸定地区,可是指标都不是非常理想。

可视化结果:下图展示了映射结果中 FP(蓝色区域)很少,但遗漏了许多实际的滑坡。

图片

九寨沟地区滑坡测绘

经过深度迁移学习优化的模型

指标提升:经过深度迁移学习后,所有指标在测试区域 Ⅲ 和 Ⅳ 中均显示出显著提升,特别是召回率和 F1 分数显著增加,SCDUNet++ 模型依然在多个指标上表现最佳。

图片

经过 DTL 优化后模型指标变化

可视化结果:经过深度迁移学习后 FN(假负例,即错误预测为负类的正类)显著减少,模型有效地识别并映射出大型滑坡,减少了漏检的情况。同时模型 LM 结果包含了大多数小型滑坡,这表明经过深度迁移学习的 SCDUNet++ 模型对于细小和复杂的滑坡特征有了更好的识别能力。

图片

SCDUNet++ LM 结果变化

a: DTL 前的测试区 III
b: DTL 后的测试区 III
c: DTL 前的测试区 IV
d: DTL 后的测试区 IV

地质灾害防治领域的国家重点实验室

成都地处四川盆地西部,地层结构复杂,当地及周边地区经常受到地震灾害侵扰。可以说,成都一直奋战在防灾减灾的一线,其中成都理工大学更是最早一批加入「战斗」的中坚力量。

1989 年,原国家计委、国家教委批准,在成都理工大学(原成都地质学院)地质工程国家重点学科基础上建立国家专业实验室,此为地质灾害防治与地质环境保护国家重点实验室的前身。 2001 年,该实验室被四川省人民政府批准为「四川省重点实验室」。2002 年成为科技部与四川省共建的「国家重点实验室培育基地」,2003 年被批准为国土资源部重点实验室,2007 年 10 月被科技部批准列入国家重点实验室建设计划,2010 年 12 月通过科技部验收。

此外,该实验室是我国地质灾害防治领域目前唯一的国家重点实验室,在 2017 年被国土资源部、科技部命名为「国家国土资源科普基地」,2020 年入选四川省第十二批省级科普基地。

图片

成理地灾国重实验室

屹立千年的山体一旦发生滑坡,岩石、土壤便顺着倾斜的山体,像流水一样顷刻间掩埋一座几公里外的村镇。灾难的背后是一个又一个谜团等待研究人员的探索,多年来,实验室的研究人员们从现场调(勘)查、模拟评估、监测预警等工作中逐步积累出一整套地质灾害防治和地质环境保护的理论与技术系统。

2023 年 11 月,研究人员在 PNAS 上发表论文,在地震、滑坡粘滑不稳定性研究领域取得重要进展;2023 年 9 月发表论文研究地震或滑坡的粘滑前兆特征,为即将发生的地震或滑坡提供预测信息;2023 年 1 月破解高速远程滑坡超强流态化谜团……

自古至今,人类多次经受自然灾害的「迫害」,地震、海啸、暴雨、干旱等等,致使无数家庭流离失所。尽管是在科技日新月异的今天,我们也难以与自然力量抗衡,更多的则是防范与预警。尤其是在 AI、大数据等技术的快递迭代之下,过往灾害所沉淀下的数据成为了宝贵的养料,帮助各类预测模型提升精度与准确性,从而更好地服务于当下社会。

我们总愿意相信人定胜天,所以自然灾害面前,人类也从未退缩,相信 AI 等技术也将成为人类抵御自然灾害、保护生命财产安全的坚实盾牌。

HyperAI官网已上传自然灾害、地质相关的数据集

xBD 自然灾害图像数据集:

https://hyper.ai/datasets/13272

RSSCN7 Data Set 遥感图像数据集:

https://hyper.ai/datasets/5440

European Flood 2013 欧洲洪水数据集:

https://hyper.ai/datasets/21579

参考资料:
https://www.sklgp.cdut.edu.cn/

OpenEarthMap 与 xBD 数据集合并 整合好的数据:链接: https://pan.baidu.com/s/1uJ_Zg6n-s3u1D49OW52D7Q?pwd=2vwx 提取码: 2vwx完整整合步骤与代码如下。 阅读详情

相关推荐

Cesium中实现GPU计算的泥石流地形侵蚀

通过模拟分析,可以提前识别可能发生泥石流的区域,为防灾减灾提供依据,及时发布预警,避免或减少人员伤亡和财产损失。:在建设公路、桥梁、水库等基础设施时,通过泥石流模拟分析,可以预测泥石流可能对这些设施的影响,帮助工程设计者采取合适的防护措施,确保设施的安全性。:模拟分析有助于为灾后救援工作提供科学依据,确定受灾区域的范围、救援难度等,为救援队伍制定合理的行动方案,提升救援效率。:泥石流是山区常见的地质灾害之一,通过模拟分析可以评估某一地区发生泥石流的风险,指导土地使用规划、人口迁移等决策。

weixin_43481439的博客 1322

使用GEE下载全球山体滑坡数据集

此代码将导出一个名为'global_landslides'的GeoTIFF文件,并将其缩放到30米。还将数据集以地图中心为中心的10公里缓冲区域导出,并设置maxPixels参数以避免导出时超过内存限制。此代码将选择2007年至2023年期间的数据集,并根据地图中心筛选数据。2. 在左上角的搜索栏中输入“Global Landslide Catalog”并选择相应的数据集。3. 选择“地图中心”(Map Center)并缩放到您感兴趣的区域。6. 点击“运行”(Run)按钮以运行代码,并等待导出完成。

2301_77925375的博客 2440

全球山体滑坡数据集Global-Landslide-Catalog-Export.csv

全球山体滑坡目录(GLC)的开发目标是识别世界各地由降雨引发的山体滑坡事件,无论其规模、影响或位置如何。GLC考虑了所有类型的由降雨引发的大规模运动,这些运动在媒体、灾害数据库、科学报告或其他来源中都有报道。GLC自2007年以来在美国宇航局戈达德太空飞行中心进行了汇编。这是一个独特的数据集,在滑坡编辑器中的ID标签为 "GLC"。 Kirschbaum, D.B., T. Stanley, Y. Zhou (In press, 2015). Spatial and Temporal Analysis of a Global Landslide Catalog. Geomorphology. doi:10.1016/j.geomorph.2015.03.016.

[数据集][目标检测]公路落石和滑坡数据集VOC格式-991张

数据集格式:Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件,仅仅包含jpg图片和对应的xml)数据集格式:Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件,仅仅包含jpg图片和对应的xml)标注类别名称:["huapo","luoshi"]图片数量(jpg文件个数):494。标注数量(xml文件个数):494。图片数量(jpg文件个数):497。标注数量(xml文件个数):497。标注类别名称:["luoshi"]分为真实场景和SD生成场景。

FL1623863129的博客 2944

目标检测数据集公路落石和滑坡数据集VOC格式-991张

分为真实场景和SD生成场景 真实场景: 数据集格式:Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件,仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数):494 标注数量(xml文件个数):494 标注类别数:2 标注类别名称:["huapo","luoshi"] 每个类别标注的框数: huapo count = 183 luoshi count = 351 SD场景: 数据集格式:Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件,仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数):497 标注数量(xml文件个数):497 标注类别数:1 标注类别名称:["luoshi"] 每个类别标注的框数: luoshi count = 514 数据集介绍地址:bilibili.com/video/BV1Ss4y1i7XZ

Landslide Dataset: 无人机滑坡目标检测数据集 公众号 猫脸码客 深读CV

Landslide Dataset: 无人机滑坡目标检测数据集 公众号 猫脸码客 深读CV

每周编辑精选|大模型有自己的 MBTI 数据集、成都理工大学搭建 SCDUNet++ 模型进行滑坡测绘

滑坡是最常见的自然灾害之一,通常由地震和降雨引发,由地震触发的山体滑坡所造成的破坏,有时会比地震本身造成的破坏更为严重。为此,成都理工大学搭建了 SCDUNet++ 模型进行滑坡测绘,来帮助防治地质灾害。

HyperAI超神经 969

【HDL系列】除法器(3)——基2 SRT算法

目录 一、除法表示 二、数字递归算法基础公式 三、QDS(Quotient Digit Selection)函数 四、基2 SRT算法 一、除法表示 除法被定义如下: 其中,x是被除数,d是除数,q是商,rem是余数。 商的精度由ulp(unit of last position)来决定: 如果ulp=1, 商q则是整数; 如果ulp=r^(-n),n是商数个数,r是所有输入操作数的基,此时商为小数。 二、数字递归算法基础公式 在使用数字递归算法(Digit Re...

纸上谈芯的专栏 8157

【2024|滑坡数据集论文解读3】CAS滑坡数据集:用于深度学习滑坡检测的大规模多传感器数据集

【2024|滑坡数据集论文解读3】CAS滑坡数据集:用于深度学习滑坡检测的大规模多传感器数据集

985小水博的摸鱼日常 4346

STM32 HAL库下DHT22高精度温湿度采集与30秒定时实现

单总线传感器(如DHT22)是嵌入式环境监测系统的核心数据源,其通信依赖微秒级精确时序控制。在STM32平台中,需结合硬件定时器(如TIM2)构建稳定周期触发机制,并通过GPIO+精确延时(非HAL_Delay)完成协议解析。该方案突破整数读取局限,完整还原带一位小数的温度与湿度值,显著提升工业级数据精度。典型应用于物联网终端、智能农业节点及边缘侧环境监控系统,为MQTT/CoAP等协议上报提供结构化原始数据支撑。本实践基于STM32F103与HAL库,不依赖第三方驱动,具备强可移植性与工程鲁棒性。

weixin_42453228的博客 515

cosmos-curate工业级视频数据预处理引擎/终端用户指南( end-user-guide)

摘要:Cosmos-Curate是一个用于视频和自动驾驶数据处理的开源工具,提供从本地到集群的完整部署方案。文档针对三类用户:终端用户(配置运行现有管道)、开发者(修改/创建管道)和贡献者(改进代码库)。核心功能包括容器化设计(Docker+NVIDIA工具链)、多平台支持(本地/Slurm/云)、集成HuggingFace/NGC模型,以及可扩展的管道架构。使用需满足硬件(如Ampere架构GPU)和软件(Ubuntu22.04+Python3.10)要求,通过CLI工具构建镜像、下载模型并运行示例管道(

qq_45053161的博客 1204

遥感影像-语义分割数据集:山体滑坡数据集详细介绍及训练样本处理流程

该遥感滑坡数据集由卫星光学图像、滑坡边界的形状文件和数字高程模型组成。该数据集中的所有图像,即770张滑坡图像(红点)和2003张非滑坡图像,都是从2018年5月至8月拍摄的TripleSat卫星图像中截取的,影像分辨率0.8米。对于滑坡实例,我们提供了滑坡图像、滑坡掩码文件和相应的DEM数据。

GIS潮流 2301

AI视频生成提示词工程:结构化公式与实战案例详解

在实际使用 AI 生成视频或图像时,最常遇到的困惑是:为什么我的提示词(Prompt)生成的画面总是不理想?是模型能力不足,还是我的描述有问题?答案往往是后者。提示词工程(Prompt Engineering)并非简单的“翻译”需求,而是一门需要结构化思维和精准描述的技能。它决定了 AI 能否准确理解你的意图,并生成符合预期的视觉内容。 本文将通过两个核心案例,深入拆解提示词的构建逻辑。第一个案例聚焦于“文生视频”,我们将学习如何将一个简单的想法,如“小猫在雪地里玩雪球”,通过结构化公式扩展为一段富有细节和

weixin_30800987的博客 566

如何训练自己数据集之—滑坡分割数据集超大规模,共34604张图像,,涵盖航空,无人机,卫星多种传感器类型,涵盖0.1m-10m不同分辨率影像,数据量3.6GB,滑坡分割数据集的训练及应用。

超大规模滑坡分割数据集,共34604张图像,全部处理为512×512尺度,涵盖航空,无人机,卫星多种传感器类型,涵盖0.1m-10m不同分辨率影像,数据量3.6GB,标注质量高,全部为原始数据,无增强

2401_88440984的博客 1238

告别双导航栏!微信小程序web-view嵌入H5的导航栏隐藏实战(附uniapp代码)

本文详细解析了微信小程序中web-view嵌入H5页面时出现的双导航栏问题,并提供了基于uniapp的完整解决方案。通过环境感知、动态适配和样式隔离等技术手段,实现导航栏的无缝整合,提升用户体验和屏幕空间利用率。文章包含实战代码示例和常见问题排查指南,帮助开发者快速解决这一常见痛点。

weixin_26945061的博客 347

数据库崩溃恢复机制:REDO日志与UNDO日志详解

在数据库管理系统中,事务的持久性和一致性是至关重要的。为了保证在系统崩溃或发生故障时数据不会丢失,数据库引入了恢复机制。其中,REDO日志和UNDO日志是两种关键的恢复技术。本文将详细描述这两种日志的作用、工作原理以及它们在数据库崩溃恢复中的应用。

My_wife_QBL的博客 1414

如何训练自己的数据集之滑坡数据集

滑坡数据集 滑坡检测数据集 遥感滑坡数据集 1.洪涝洪水滑坡灾害数据集 灾害 2300张 带标注 voc yolo 2.遥感滑坡目标检测数据集 2300张 滑坡 带标注 voc yolo yolo

2401_88441190的博客 1589

大连海事大学课设题目/基于LM331的频率电压转换器

部分基于LM331的频压转换的实物连接问题

2301_76649592的博客 3228

如何使用YOLOv8进行塌方_山体滑坡识别的数据集训练。滑坡数据集 塌方数据集 落土数据集 1类别 voc标注1000张

如何使用YOLOv8进行塌方/山体滑坡识别的数据集训练。滑坡数据集 塌方数据集 落土数据集 1类别 voc标注1000张

2401_86822270的博客 488

【银河麒麟服务器操作系统】安装英伟达4090D显卡驱动操作指南

本文详细介绍了在银河麒麟高级服务器操作系统V10SP3-2403-X86版本上安装NVIDIA RTX4090D显卡驱动的完整流程。主要内容包括:准备工作检查、开源驱动禁用、运行级别切换、依赖包安装以及交互式安装过程中的关键选项选择(32位库选Yes、X配置选No)。通过禁用nouveau驱动、重建内核引导等步骤确保驱动安装成功,最后通过nvidia-smi命令验证驱动安装情况。文档提供了操作检查表和安装流程图,帮助用户在银河麒麟系统上顺利完成显卡驱动部署。

信创运维工程师 · 银河麒麟 & 容器实战 | 金融生产环境迁移·等保加固 | 142篇原创·17万+阅读 3111

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

使用YOLOv8训练滑坡大规模多传感器滑坡检测数据集

数据集介绍 1. 数据集概述 数据集名称:大规模多传感器滑坡检测数据集 数据来源:使用多种传感器采集,包括Landsat、Sentinel-2、Planet、无人机图像 覆盖地区:国内四川、贵州,国外菲律宾、印尼等地 图像数量:共2万余幅图像 数据量:约8GB 标签格式:Mask格式,准确标注滑坡位置 2. 数据集结构 假设你的数据集已经按照以下结构组织: 深色版本 landslide_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── tes

2401_88440984的博客 1940

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

使用YOLOv8模型对遥感滑坡检测的数据集进行训练、评估和可视化 2299 张 1类 yolo格式 遥感滑坡检测数据集

使用YOLOv8模型对遥感滑坡检测的数据集进行训练、评估和可视化 2299 张 1类 yolo格式 遥感滑坡检测数据集

2401_88441190的博客 484

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

增强UNet:通过迁移学习定制分割模型

引言本文着重于在PyTorch框架中实现基于迁移学习的UNET架构的变体。UNET架构最初由Olaf Ronneberger等人于2015年在德国弗莱堡大学进行生物医学图像分割时开发,其名称来源于其独特的收缩和扩展路径,形成了层次结构的U形。这种架构及其变体在许多应用中被证明能够有效捕捉复杂的细节并保留空间信息。然而,在不断追求性能提升的过程中,探索各种技术仍然是至关重要的,其中之一就是整合迁移学...

Warmer_Sweeter 2534

PaddleRS:利用卫星影像与数字高程模型进行滑坡识别

PaddleRS:利用卫星影像与数字高程模型进行滑坡识别

m0_63642362的博客 7005

Landslide detection from an open satellite imagery 使用注意力增强卷积神经网络从开放的卫星图像和数字高程模型数据集检测滑坡

2020.01 武汉大学 论文下载地址:https://sci-hub.st/10.1007/s10346-020-01353-2 使用注意力增强卷积神经网络从开放的卫星图像和数字高程模型数据集检测滑坡 摘要: 卷积神经网络(Convolution neural network, CNN)是一种有效且流行的深度学习方法,它通过一系列卷积层自动学习从原始输入到给定标签或ground truth的复杂非线性映射。本研究的重点是利用基于cnn的方法从高分辨率光学卫星图像中检测滑坡,为识别潜在滑坡提供机会

Amberrr的博客 8449

如何使用YOLOv8对遥感图像中的滑坡-泥石流进行分割 深度学习遥感图像滑坡泥石流分割数据集的训练及应用

如何使用YOLOv8对遥感图像中的滑坡-泥石流进行分割 深度学习遥感图像滑坡泥石流分割数据集的训练及应用

2401_88440984的博客 1528
上一篇: 每周编辑精选|MathPile 数学推理语料库开源、协和眼科牵头用 AI 助力 13 种眼底疾病检测
下一篇: 上海交大与清华联手发布 DeepDR Plus,仅用眼底图像可预测 5 年内糖尿病视网膜病变进展
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值