[发明专利]一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法

说明书

本发明涉及一种基于三维空间‑通道注意力机制的遥感影像滑坡自动探测方法。利用遥感影像进行人工标注并裁剪滑坡样本构建样本库，然后对基于三维空间‑通道注意力机制的卷积神经网络进行训练，学习遥感影像上各种滑坡实例的特征。利用训练好的网络模型对新的遥感影像进行滑坡探测，实现遥感影像上滑坡目标的自动精确识别。本发明具有如下优点：鲁棒性强，比原始的主干网络以及其他已有的注意力方法更加适合遥感影像上的滑坡探测任务；对于包含各种干扰因素的情况，本发明方法具有更好地抵抗干扰的能力，可获得更高的识别准确率；可用于滑坡灾害的预防和灾后重建、更新滑坡数据库等方面。

技术领域

本发明涉及一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法，该方法能够有效地从遥感影像中自动发现和识别滑坡，可用于滑坡灾害的预防和灾后重建、更新滑坡数据库等。

背景技术

滑坡是一种常见的自然灾害，它对自然环境和人民生命财产安全构成严重的威胁，滑坡探测识别可为滑坡灾害的防治工作提供重要的数据支撑。在早期，滑坡数据主要是通过外业工作人员实地考察获得，这种滑坡探测方法费时费力且危险性大。随着对滑坡性质研究的深入，一些自动的滑坡探测方法逐渐被提出，主要可分为基于光学遥感影像的滑坡探测方法与基于微波遥感技术的滑坡探测方法两类。基于光学影像的方法主要依据影像中滑坡特殊的纹理，色调和几何形态等典型特征来识别滑坡，而基于微波遥感的方法则主要是通过识别地表的微小形变来发现滑坡。传统的基于光学遥感影像的滑坡探测方法依赖于各种人工设计的特征来识别和判断滑坡。但由于遥感影像上不同滑坡间的光学特征差异大，具体到每个滑坡实例的色调、几何形状、纹理、阴影和图形各不相同。因此，利用人工设计特征的方法来探测识别滑坡，识别准确率不高，算法的泛化性能差，滑坡探测效果不理想。近年来，深度学习中的卷积神经元网络在图像分类、目标检测、语义分割等影像处理相关的任务中都展现出了强大的性能。因此，也有少量研究人员利用卷积神经网络进行滑坡探测方面的研究。但这些研究都还处于起步阶段，只有几个简单的网络模型被设计和尝试。使用更加复杂的网络结构和采用更有针对性的设计是提高滑坡探测精度的有效方法。对于滑坡探测任务来说，如何让模型更好地关注和学习到滑坡的本质特征是设计自动滑坡探测模型的出发点。

发明内容

本发明针对现有的基于卷积神经网络的滑坡探测方法在结构设计方面的不足，提出了一种基于卷积神经网络的三维空间-通道注意力机制，它能够被集成到各种现有的网络框架中，帮助网络模型在训练过程中自适应地关注和强调滑坡的本质特征，从而获得更高精度的滑坡探测结果。

实现本发明目的采用的技术方案是：步骤1，构建基于三维空间-通道注意力机制的卷积神经网络(3D Spatial-Channel Attention Boosted Convolutional NeuralNetwork,3D SCAB-CNN)，该网络用于学习遥感影像上各种滑坡的特征；步骤2，利用包含滑坡实例的遥感影像数据构建样本库，在样本库上训练网络模型；然后利用训练好的网络模型对新的遥感影像进行预测，可实现遥感影像上滑坡的自动探测识别。