基于迁移学习的无人机高分影像地震泥石流信息检测

评价本次地震泥石流信息检测的精度。精度评价体系见表1。

从表1可以得出，面向对象分类法对该区域地震泥石流的检测TPR为83.33%，FPR为13.64%，分类准确度ACC约为85.21%；而本文提出的基于迁移学习的该区域地震泥石流检测FPR为9.10%，TPR为79.63%，分类准确度ACC则达到了86.62。从以上参数可以看出，面向对象的分类方法在真正类率上要优于基于迁移学习的信息检测方法，但在负正类率上前者不如后者，这说明面向对象的分类方法将更多的非目标类检测为自标类，从而导致在分类准确度上，基于迁移学习的地震泥石流信息检测方法要高于面向对象的分类方法。

3 结语

如何在地震灾后第一时间通过获取的无人机高分影像自动检测泥石流等灾害信息，已成为目前地震应急响应工作中的难点。本文结合卷积神经网络和迁移学习方法，提出了一套行之有效的地震泥石流灾害信息自动检测方法，该方法的检测精度优于面向对象的分类方法，且有效减少将非目标对象混淆为目标对象的情况。但该方法也存在样本需求量大、训练过程复杂、计算资源要求高等缺点。同时，考虑到该方法应用在空间数据信息检测上的巨大潜力，今后将向多源数据的融合，将其运用到其它高分影像中，为地震灾后信息检测，包括建筑物倒塌、道路桥梁破坏等信息检测提供可靠的技术方法。

参考文献：

李宏宏.2013.面向对象的高分辨率遥感影像分类及泥石流信息提取研究[D].南京：南京理工大学.

鲁恒，李永树，唐敏.2011.面向对象的山地区域多源遥感影像分割尺度选择及评价[J].山地学报，29（6）：688-694.

彭述刚.2014.汶川县震后泥石流遥感信息提取与监测评估研究[D].湘潭：湖南科技大学.

任娟.2015.基于无人机遥感与GIS技术的泥石流灾害监测[D].成都：成都理工大学.

唐川.2010.汶川地震区暴雨滑坡泥石流活动趋势预测[J].山地学报，28（3）：341-349.

殷跃平.2008.汶川八级地震地质灾害研究[J].工程地质学报，16（4）：433-444.

周洋，明小娜，杨艳珠，等.灾评新技术在云龙5.0级地震烈度调查中的应用[J].地震研究，40（1）：161-166.

Mikolov T，Chen K，Corrado G，et al.2013.Efficient Estimation of WordRepresentations in Vector Space[J/0L].（2013-09-07）[2016-12-14].https；//aritiv.org/pdf/1301.37810.pdE

Saha B，Gupta.S，phung D，et al.2016.Multiple task transfer lefoingwith small sample sizes[J].Knowledge&Information SysteMS，46（2）：315-342.

Weiss K，Khoshgoftaar T M，Wang D D.2016.A survey of transfer learn-ing[J].Journal of Big Data，3（1）：9.

Zeiler M D，Fergus B.2014.Visualizing and Understanding ConvolutionalNetworks[C]//European Conference on Computer Vision.Springer，Chain：818-833.

推荐访问: 无人机 泥石流 迁移 高分 地震