滑坡自动识别能够解决人工目视解译方法速度慢的问题,现有基于深度学习的自动识别方法多以目标检测和语义分割等单任务识别方法为主.本文基于深度学习实例分割网络探索可同时完成滑坡目标定位和语义分割的多任务识别方法.首先,基于谷歌地球影像构建了包含3822个样本的黄土滑坡样本数据集;然后,采用单阶段实例分割网络(YOLACT)构建了基于小样本学习的黄土滑坡多任务自动识别模型;最后,通过大、中、小3种比例尺度的滑坡测试样本对识别结果进行评价.试验结果表明:①滑坡目标定位框(Box)平均精确度为61.66％,滑坡语义分割掩码(Mask)平均精确度为62.0％,大比例尺测试结果中Mask交并比为0.88;②基于YOLACT构建的滑坡识别模型可同时完成滑坡目标定位和滑坡高精度掩码分割的双任务识别,为滑坡多任务自动识别及快速制图提供了技术支撑.
NETL
NSTL
万方数据
维普
