基于双路径特征融合的深度学习神经网络滑坡智能识别

摘要

滑坡灾害对人民生命和财产安全构成了严重威胁，深入研究其精确识别方法对于有效开展防灾减灾工作至关重要。目前，利用整合多源数据的深度学习方法进行滑坡识别已被证实能显著提升识别精度。然而，现有研究多采用计算机视觉领域中的传统单编码器网络架构，限制了对多源数据综合潜力的挖掘，影响了滑坡识别在复杂环境下的准确性和鲁棒性。为此，该文提出了一种创新的基于双路径特征融合神经网络的滑坡识别方法。该方法采用多编码器架构，能够独立地从不同数据源提取深层特征。同时，设计了一种特征感知自注意力机制门，实现不同路径上多层特征的精确融合。此外，通过引入卷积块注意力机制和空洞空间金字塔池化技术，进一步提升了模型对滑坡特征的处理和识别能力。经过一系列实验分析，包括与经典语义分割模型的比较、双编码路径效能验证以及双注意力机制的消融实验，结果表明本研究提出的双编码器网络在精确度、召回率、F1分数和平均交并比上均表现最佳，其相应数值分别为0.866、0.831、0.848、0.860。在模型中加入自注意力机制门和卷积块注意力机制后，其处理准确性和滑坡识别精度显著提高。该研究不仅在遥感影像和地形信息的综合应用方面展现了优越性，还提供了基于多源数据滑坡识别的新思路，为滑坡灾害的有效识别提供了强有力的技术支撑工具。

关键词

滑坡智能识别 / 多源数据 / 深度学习 / 双路径特征融合 / 多编码器架构 / 注意力机制