基于深度学习模型的In SAR形变区检测与分割对比研究

摘要

随着合成孔径雷达干涉测量（InSAR）技术在地表形变探测中的广泛应用，如何在广域小样本库场景下，利用深度学习模型实现地表形变的快速智能检测和分割是目前的研究热点。基于7种深度学习模型，探讨了其在InSAR形变区自动识别与分割任务中的应用效果。研究结果表明，在形变区检测任务中，YOLO11m模型具有较强的鲁棒性，其较高的精度（P值=0.894）和较短的训练时间使其适用于需要快速响应的任务；而Mask R-CNN虽在精度和平均精度均值方面表现最佳，但训练时间较长，适合对精度要求较高而对训练时间不敏感的场景。在形变区分割任务中，DeepLabv3表现最佳，具有较高的分割精度（mIoU值=0.859）和较短的训练时间，特别在密集形变区域的处理上效果显著；U-Net同样表现出色，适用于训练时间要求相对宽松的任务。综上，本研究进一步验证了不同深度学习模型在InSAR形变区自动识别中的优缺点，为不同任务需求模型选择提供了参考。

关键词

深度学习 / 形变区 / 合成孔径雷达干涉测量 / YOLO11 / DeepLabv3