【深度學習地學應用|滑坡制圖、變化檢測、多目標域適應、感知學習、深度學習】跨域大尺度遙感影像滑坡制圖方法：基于原型引導的領域感知漸進表示學習（一）
【深度學習地學應用|滑坡制圖、變化檢測、多目標域適應、感知學習、深度學習】跨域大尺度遙感影像滑坡制圖方法：基于原型引導的領域感知漸進表示學習（一）
文章目錄
- 【深度學習地學應用|滑坡制圖、變化檢測、多目標域適應、感知學習、深度學習】跨域大尺度遙感影像滑坡制圖方法：基于原型引導的領域感知漸進表示學習（一）
- 跨域大尺度遙感影像滑坡制圖方法：基于原型引導的領域感知漸進表示學習
- 摘要
- 引言
歡迎鐵子們點贊、關注、收藏！
祝大家逢考必過！逢投必中！上岸上岸上岸！upupup
大多數高校碩博生畢業要求需要參加學術會議，發表EI或者SCI檢索的學術論文會議論文：
可訪問艾思科藍官網，瀏覽即將召開的學術會議列表。會議詳細信息可參考：https://ais.cn/u/EbMjMn
DOI: 10.1016/j.isprsjprs.2023.01.018
跨域大尺度遙感影像滑坡制圖方法：基于原型引導的領域感知漸進表示學習
摘要
滑坡制圖通過對遙感影像進行像素級分類，對于災害防治和風險評估至關重要。基于深度學習的變化檢測方法通過識別從雙時相圖像中下坡移動的土壤、巖石及其他物質，極大地促進了滑坡制圖，得益于卷積神經網絡在特征表示方面的優勢。然而，這些網絡依賴大量像素級注釋數據來實現其優異的性能，并且通常在來自未見領域的異質圖像數據上表現出較弱的泛化能力。
- 為了解決這些問題，本文提出了一種基于多目標領域適應（MTDA）技術的原型引導領域感知漸進表示學習（PG-DPRL）方法，用于跨域大尺度遙感影像滑坡制圖。
- PG-DPRL旨在學習一個共享的滑坡制圖網絡，使其在多個目標領域中表現良好，并且無需額外的樣本注釋工作。具體來說，PG-DPRL采用了近到遠適應策略，逐步對齊所有目標領域的表示分布與源領域，考慮到它們之間的差異。
- 在此基礎上，利用跨域原型學習生成可靠的領域特定偽標簽，并跨領域聚合表示來學習共享的決策邊界。在每個DPRL步驟中，執行原型引導對抗學習（PGAL）算法，以實現類別級表示對齊，并通過引入Wasserstein距離度量和跨域原型一致性（CPC）損失，提升表示的區分能力。
基于全球超高分辨率滑坡制圖（GVLM）數據集，包含來自不同滑坡地點的17個異質領域的實驗結果表明，PG-DPRL方法在滑坡制圖中的有效性和魯棒性。該方法顯著提高了滑坡制圖網絡的遷移能力，并在所有目標領域的總體和平均準確率指標上超過了多個最先進的方法。
引言
每年，滑坡作為全球最常見且廣泛分布的自然災害之一，可能導致大量人員傷亡和顯著的經濟損失（Keefer 和 Larsen, 2007；Huang 和 Fan, 2013）。因此，滑坡事件的制圖是滑坡災害防治和風險評估的關鍵組成部分（Guzzetti 等，2012；Martha 等，2013；Di Martire 等，2017）。隨著地球觀測技術的發展，基于超高分辨率（VHR）遙感影像的滑坡制圖受到了越來越多的關注（Li 等，2016b；Lu 等，2019）。滑坡制圖被定義為一種像素級分類過程，其中地理參考的遙感影像中的每個像素將被分配為滑坡或非滑坡類別（Zhong 等，2020；Zhang 等，2021b）。在此基礎上，可以輕松記錄滑坡的屬性，如大小、空間范圍、位置、類型和發生日期（Guzzetti 等，2012）。由于滑坡本質上是坡面物質（如土壤、巖石、碎屑和人工填土）的下坡運動，滑坡的發生通常伴隨著地表覆蓋的變化（Dai 等，2002；Hungr 等，2014）。因此，變化檢測技術通過自動識別滑坡前后影像之間的差異，突出滑坡區域，減少干擾物（如建筑物、農田和巖石）對滑坡識別的負面影響，在滑坡制圖中起到了重要作用（Li 等，2016b；Lu 等，2019）。
基于變化檢測的滑坡制圖方法大致可以分為三類：基于圖像差異的、基于特征的和基于深度學習的。
- 在基于圖像差異的方法中，滑坡前后圖像經過預處理生成一個差異圖，表示變化強度（Zhiyong 等，2020）。隨后，采用無監督分割方法根據可用的光譜和空間信息，從差異圖中檢測滑坡（Li 等，2016a,b）。
- 與基于圖像差異的方法相比，基于特征的方法更加依賴可區分的特征來識別滑坡區域。例如，提取多尺度的對象級特征，從同質圖像對象中減少滑坡對象內的光譜異質性問題（Stumpf 和 Kerle, 2011；Keyport 等，2018；Kurtz 等，2014；Tavakkoli Piralilou 等，2019）。
此外，圖像變換和光譜指數特征的結合已被用于生成更準確的變化強度圖（Mondini 等，2011；Lu 等，2019）。
近年來，深度學習模型在遙感領域取得了巨大的成功，因為它們能夠從原始影像中提取抽象和概念化的表示（Ma 等，2019；Zhang 等，2019b）。
- 與基于手工特征的傳統方法相比，基于深度學習的方法能夠從雙時相圖像中提取更具代表性的特征，從而以端到端的方式識別滑坡，而無需生成變化幅度（Zhang 等，2021b）。
具體來說，這些方法可以分為基于卷積神經網絡（CNNs）和卷積編碼解碼網絡的兩類。CNN及其變體已被用于將以查詢像素為中心的圖像塊對分類為滑坡或非滑坡類別（Cai 等，2021；Ji 等，2020；Ghorbanzadeh 等，2020）。最近的研究揭示了基于全卷積網絡（FCN）或U-Net框架的編碼解碼網絡在像素級滑坡制圖中的應用（Lv 等，2020；Fang 等，2021）。在此基礎上，持續的努力已被用來提升滑坡制圖網絡的特征表示能力，例如引入金字塔池化模塊（Lei 等，2019）、殘差連接（Yi 和 Zhang，2020）、注意力機制（Zhang 等，2020）和條件隨機場（Shi 等，2020）。
下節請參考：【深度學習地學應用|滑坡制圖、變化檢測、多目標域適應、感知學習、深度學習】跨域大尺度遙感影像滑坡制圖方法：基于原型引導的領域感知漸進表示學習（二）
