Adaptive multi-level feature learning framework for natural disaster image classification

Gourav Mondal

doi:10.1007/s12145-026-02202-x

2026-08-10

PRE

Gourav Mondal

Rajesh Kumar Dhanaraj *

Dragan Pamucar *

Vladimir Šimić

DOI：10.1007/s12145-026-02202-x

原文链接

摘要

En 中文

自然灾害识别在灾害管理、应急响应和灾情评估中至关重要。在现代场景中，即使利用深度学习（DL），特别是卷积神经网络（CNNs）和混合学习模型，提供了显著的解决方案，该领域仍存在许多挑战，如冗余特征提取、高计算成本以及噪声和非均质环境中的可靠性下降。这些限制可能影响其在灾害背景下的实用性，其中快速决策制定尤为关键。为应对此类挑战，本研究提出了一种新颖的多级特征学习框架，该框架在单一架构内集成了自适应图像增强、混合分割、多纹理特征提取、基于注意力的分类以及自适应优化策略，用于自然灾害图像分类。所提出的系统结合了自适应长递归卡尔曼滤波器（ALRKF）和双向长短期记忆网络（Bi-LSTM），以在不同环境下自适应地降低噪声和增强图像。混合U-ResSegNet架构结合了U-Net和ResNet-50的优点，以实现更好的分割结果，能够在不丢失精细空间细节或高层语义信息的情况下提取区域。分割后的图像随后使用局部二值模式（LBP）来捕捉互补的局部纹理特征，以及局部三元模式（LTP）和灰度共生矩阵（GLCM）来捕捉互补的全局纹理特征。利用基于特征分类的注意力机制网络对生成的特征表示进行分类，并使用提出的自适应性驱动训练优化（SA-DTO）算法优化参数，以提高收敛稳定性和学习效率。在多类灾害图像数据集和灾害图像数据集（CNN-Model）上测试了所提出的框架，在复杂、噪声环境下实现了98.97%和99.16%的分类准确率。

Keyword:

Disaster classification

Adaptive long recursive Kalman filter

U-ResSegNet

Dual-MLP

And Self-adaptive driving training optimization algorithm