买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国地质大学(武汉)

摘要：本发明公开了跨区域同震滑坡识别方法，该方法利用震前与震后影像自动识别同震滑坡。通过构建跨区域同震滑坡自动识别GDSNet模型，模型由一个特征提取分支、一个特征控制分支、一个将特征提取分支的输出和特征控制分支的输出进行特征融合的特征融合模块组成。特征提取分支能够保留细节特征，避免了小滑坡的漏识别，特征控制分支实现滑坡相关特征的自适应传递，更加准确的捕捉图像中的滑坡特征，增强模型的表达能力和鲁棒性，降低滑坡识别的虚警率，提高精度，特征融合模块通过捕获多尺度特征进一步避免了小滑坡的漏识别。本发明可为大地震后广域强震区同震滑坡的精确识别提供方法与技术支撑，为震后应急救援及灾后重建提供重要科学依据。

主权项：1.跨区域同震滑坡自动识别方法，其特征在于，包括以下步骤：S1、选择跨多个地震事件强震区作为研究区，获取研究区震前震后遥感影像，对震前震后遥感影像进行叠加，生成同震滑坡数据集，并将同震滑坡数据集划分为训练集和测试集；S2、构建跨区域同震滑坡自动识别模型，所述模型由一个特征提取分支、一个特征控制分支、一个将特征提取分支的输出和特征控制分支的输出进行特征融合的特征融合模块组成；特征提取分支由一个3×3的卷积、三个特征提取模块、三个特征上采样模块组成，其中，3×3的卷积和三个特征提取模块依次相连，三个特征上采样模块用于将三个特征提取模块的输出特征图恢复成原尺寸并将图片通道变为单通道；特征提取分支的输入通过3×3的卷积后，通过特征提取模块扩展通道数；特征提取模块包括一个残差块、一个Relu激活函数；通过残差连接将残差块的残差部分与一个1×1卷积相加并用Relu函数激活；残差块的残差部分包括一个卷积神经网络、一个极化自注意力模块、一个软池化；特征提取模块的输入通过残差部分的卷积神经网络卷积后，经残差部分的极化自注意力模块提取关键的滑坡局部特征，再经残差部分的软池化减少滑坡信息丢失；计算公式如下：ni＝SoftPoolPSAConvNetFi1 其中，Fi是第i个特征提取模块的输入，ni是第i个特征提取模块的残差块的残差部分的输出，表示元素的相加操作，邻域R是一个b×b大小的滤波窗口，ak表示k位置元素的激活值，wk表示ak的自然指数与邻域R内所有激活的自然指数之和的比值，软池化的输出是邻域R内所有加权激活的总和；特征上采样模块由一个上采样模块和一个1×1卷积组成，第i个特征提取模块的输出经1×1卷积减少特征图通道至1，并上采样恢复成输入图片的原始尺寸H×W，得到特征图mi：mi＝Bilinearconv1×1Fi+15其中，Fi+1是第i个特征提取模块的输出，mi是第i个特征提取模块的输出经过第i个特征上采样模块的输出；特征控制分支由四个残差块、三个门控卷积模块、一个Sigmoid激活函数组成，残差块由一个3×3卷积和一个1×1卷积相加；特征提取分支的第i个特征提取模块的输出通过第i个特征上采样模块与特征控制分支的第i个残差块的输出进行门控卷积，结果输入特征控制分支的第i+1个残差块，特征控制分支的第4个残差块的输出送入Sigmoid激活函数，计算公式如下：残差块输出： 其中，xi是特征控制分支的第i个残差块的输入，Gi是特征控制分支的第i个残差块的输出；最后通过Sigmoid激活函数将G4转换为G0，获得特征信息控制分支的输出：G0＝SigmoidG47；按照如下方法构建门控卷积模块：第i个门控卷积模块由mi和Gi进行concat操作后经过一个1×1卷积，并经过Sigmoid激活函数后与Gi进行点乘操作，最后与Gi相加得到门控卷积模块的输出：ai＝SigmoidConv1×1catmi,Gi8 其中，catmi,Gi表示将mi和Gi进行concat操作，mi是特征提取分支的第i个特征提取模块的输出经过第i个特征上采样模块的输出，ai是同震滑坡的注意力特征图，e代表元素的乘积，表示两个元素的相加，表示第i个门控模块的输出；特征融合模块包括一个多尺度特征融合模块，一个极化自注意力模块，两个上采样模块，一个分类层；首先通过多尺度特征融合模块融合高级特征F4和低级特征G0，多尺度特征融合模块由两个1×1卷积，一个膨胀率为3的3×3空洞卷积，一个膨胀率为6的3×3空洞卷积，一个膨胀率为12的3×3空洞卷积，一个膨胀率为18的3×3空洞卷积，一个平均池化模块组成，F4分别通过多尺度特征融合模块的一个1×1卷积、膨胀率为3的3×3空洞卷积、膨胀率为6的3×3空洞卷积、膨胀率为12的3×3空洞卷积、膨胀率为18的3×3空洞卷积、平均池化模块，并与G0通过多尺度特征融合模块1×1卷积后进行concat，得到FF1：FF1＝FusionF4,G010FF1通过极化自注意力模块捕获重要特征信息的特征图，并采用反卷积操作在第一个上采样模块对重要特征信息的特征图进行上采样，并与F3进行加法操作得到Y1，采用反卷积操作在第二个上采样模块对Y1进行上采样，并与F2进行加法操作得到Y2，Y2通过分类层得到最终的同震滑坡识别结果Y； 其中，Deconv为反卷积操作；S3、使用训练集对所述模型进行训练，并使用测试集对训练后的模型进行测试。

全文数据：

权利要求：

百度查询： 中国地质大学(武汉) 跨区域同震滑坡自动识别方法及计算机可读存储介质