医院网站建设解决方案西安优化seo

【深度学习地学应用|滑坡制图、变化检测、多目标域适应、感知学习、深度学习】跨域大尺度遥感影像滑坡制图方法：基于原型引导的领域感知渐进表示学习（一）

【深度学习地学应用|滑坡制图、变化检测、多目标域适应、感知学习、深度学习】跨域大尺度遥感影像滑坡制图方法：基于原型引导的领域感知渐进表示学习（一）

---

---

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文：
可访问艾思科蓝官网，浏览即将召开的学术会议列表。会议详细信息可参考：https://ais.cn/u/EbMjMn

DOI: 10.1016/j.isprsjprs.2023.01.018

跨域大尺度遥感影像滑坡制图方法：基于原型引导的领域感知渐进表示学习

摘要

滑坡制图通过对遥感影像进行像素级分类，对于灾害防治和风险评估至关重要。基于深度学习的变化检测方法通过识别从双时相图像中下坡移动的土壤、岩石及其他物质，极大地促进了滑坡制图，得益于卷积神经网络在特征表示方面的优势。然而，这些网络依赖大量像素级注释数据来实现其优异的性能，并且通常在来自未见领域的异质图像数据上表现出较弱的泛化能力。

• 为了解决这些问题，本文提出了一种基于多目标领域适应（MTDA）技术的原型引导领域感知渐进表示学习（PG-DPRL）方法，用于跨域大尺度遥感影像滑坡制图。
• PG-DPRL旨在学习一个共享的滑坡制图网络，使其在多个目标领域中表现良好，并且无需额外的样本注释工作。具体来说，PG-DPRL采用了近到远适应策略，逐步对齐所有目标领域的表示分布与源领域，考虑到它们之间的差异。
• 在此基础上，利用跨域原型学习生成可靠的领域特定伪标签，并跨领域聚合表示来学习共享的决策边界。在每个DPRL步骤中，执行原型引导对抗学习（PGAL）算法，以实现类别级表示对齐，并通过引入Wasserstein距离度量和跨域原型一致性（CPC）损失，提升表示的区分能力。

基于全球超高分辨率滑坡制图（GVLM）数据集，包含来自不同滑坡地点的17个异质领域的实验结果表明，PG-DPRL方法在滑坡制图中的有效性和鲁棒性。该方法显著提高了滑坡制图网络的迁移能力，并在所有目标领域的总体和平均准确率指标上超过了多个最先进的方法。

引言

每年，滑坡作为全球最常见且广泛分布的自然灾害之一，可能导致大量人员伤亡和显著的经济损失（Keefer 和 Larsen, 2007；Huang 和 Fan, 2013）。因此，滑坡事件的制图是滑坡灾害防治和风险评估的关键组成部分（Guzzetti 等，2012；Martha 等，2013；Di Martire 等，2017）。随着地球观测技术的发展，基于超高分辨率（VHR）遥感影像的滑坡制图受到了越来越多的关注（Li 等，2016b；Lu 等，2019）。滑坡制图被定义为一种像素级分类过程，其中地理参考的遥感影像中的每个像素将被分配为滑坡或非滑坡类别（Zhong 等，2020；Zhang 等，2021b）。在此基础上，可以轻松记录滑坡的属性，如大小、空间范围、位置、类型和发生日期（Guzzetti 等，2012）。由于滑坡本质上是坡面物质（如土壤、岩石、碎屑和人工填土）的下坡运动，滑坡的发生通常伴随着地表覆盖的变化（Dai 等，2002；Hungr 等，2014）。因此，变化检测技术通过自动识别滑坡前后影像之间的差异，突出滑坡区域，减少干扰物（如建筑物、农田和岩石）对滑坡识别的负面影响，在滑坡制图中起到了重要作用（Li 等，2016b；Lu 等，2019）。

基于变化检测的滑坡制图方法大致可以分为三类：基于图像差异的、基于特征的和基于深度学习的。

• 在基于图像差异的方法中，滑坡前后图像经过预处理生成一个差异图，表示变化强度（Zhiyong 等，2020）。随后，采用无监督分割方法根据可用的光谱和空间信息，从差异图中检测滑坡（Li 等，2016a,b）。
• 与基于图像差异的方法相比，基于特征的方法更加依赖可区分的特征来识别滑坡区域。例如，提取多尺度的对象级特征，从同质图像对象中减少滑坡对象内的光谱异质性问题（Stumpf 和 Kerle, 2011；Keyport 等，2018；Kurtz 等，2014；Tavakkoli Piralilou 等，2019）。

此外，图像变换和光谱指数特征的结合已被用于生成更准确的变化强度图（Mondini 等，2011；Lu 等，2019）。

近年来，深度学习模型在遥感领域取得了巨大的成功，因为它们能够从原始影像中提取抽象和概念化的表示（Ma 等，2019；Zhang 等，2019b）。

• 与基于手工特征的传统方法相比，基于深度学习的方法能够从双时相图像中提取更具代表性的特征，从而以端到端的方式识别滑坡，而无需生成变化幅度（Zhang 等，2021b）。

具体来说，这些方法可以分为基于卷积神经网络（CNNs）和卷积编码解码网络的两类。CNN及其变体已被用于将以查询像素为中心的图像块对分类为滑坡或非滑坡类别（Cai 等，2021；Ji 等，2020；Ghorbanzadeh 等，2020）。最近的研究揭示了基于全卷积网络（FCN）或U-Net框架的编码解码网络在像素级滑坡制图中的应用（Lv 等，2020；Fang 等，2021）。在此基础上，持续的努力已被用来提升滑坡制图网络的特征表示能力，例如引入金字塔池化模块（Lei 等，2019）、残差连接（Yi 和 Zhang，2020）、注意力机制（Zhang 等，2020）和条件随机场（Shi 等，2020）。

下节请参考：【深度学习地学应用|滑坡制图、变化检测、多目标域适应、感知学习、深度学习】跨域大尺度遥感影像滑坡制图方法：基于原型引导的领域感知渐进表示学习（二）