.png){kind=icon}
返回
CTL-DETR: a landslide detection algorithm for complex terrains
.png){kind=icon}
PRE
AI
DOI：10.1007/s00138-025-01749-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着遥感影像的广泛应用，基于深度学习的滑坡检测方法已成为技术发展的新方向。然而，现有的深度学习方法在处理复杂地形条件和多样化滑坡形态时，仍面临精度不足或计算效率欠佳的挑战。本研究提出了一种基于Transformer的滑坡检测模型，命名为Complex Terrain Landslide DEtection TRansformer（CTL-DETR），该模型整合了协同多注意力特征提取（C2f-SMAG）、混合聚合与快速融合（MA-Fusion）以及上下文引导降采样（CG-Down）模块。C2f-SMAG模块结合了通道、空间、像素和多头自注意力机制，以增强模型捕捉全局依赖关系和局部细节的能力。MA-Fusion模块采用多分支架构，通过整合旁路卷积、深度可分离卷积和部分卷积，实现通道与空间特征的高效融合。CG-Down模块将局部特征与全局上下文信息结合，优化特征传输的完整性。本研究构建了Diverse Landslide Dataset（DLD），在该数据集上，CTL-DETR的F1分数达到75.8%，mAP50为78.7%。与主流目标检测模型及现有滑坡检测方法相比，CTL-DETR在精度、召回率等指标上表现出更优性能，验证了所提方法的有效性。进一步的泛化实验表明，该模型在跨区域滑坡检测中具有鲁棒性，在Bijie和Luding数据集上的mAP50分数分别为74.7%和91.2%。此外，CTL-DETR保持了相对较低的计算复杂度和参数量，使其更适用于大规模滑坡检测应用。
Keyword:
Landslide detection
Synergistic multi-attention
Mixed aggregation and faster fusion
Context-guided downsampling
期刊
M
IF:
2.3
论文数:
99
被引数:
2.7K
机构
引用论文
Grad-CAM++: Generalized Gradient-Based Visual Explanations for Deep Convolutional NetworksGrad-cam: 基于广义梯度的深度卷积网络视觉解释
OAAI
OAAI分享收藏
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测OAAI
OAAI分享收藏Landslide detection from an open satellite imagery and digital elevation model dataset using attention boosted convolutional neural networks.png)
LANDSLIDES
LANDSLIDESIF7
PREAI
分享收藏分享收藏GAF-Net: Geometric Contextual Feature Aggregation and Adaptive Fusion for Large-Scale Point Cloud Semantic SegmentationGaf-net: 大规模点云语义分割的几何上下文特征聚合与自适应融合
PREAI
分享收藏
查看更多内容