【论文推荐|深度学习，滑坡检测，多光谱影像，自然灾害，遥感】2022年Landslide4Sense竞赛成果：基于多源卫星影像的先进滑坡检测算法研究（一）

【论文推荐|深度学习，滑坡检测，多光谱影像，自然灾害，遥感】2022年Landslide4Sense竞赛成果：基于多源卫星影像的先进滑坡检测算法研究（一）

【论文推荐|深度学习，滑坡检测，多光谱影像，自然灾害，遥感】2022年Landslide4Sense竞赛成果：基于多源卫星影像的先进滑坡检测算法研究（一）

欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！
祝所有的硕博生都能遇到好的导师！好的审稿人！好的同门！顺利毕业！

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/mmmiUz

论文DOI：10.1109/JSTARS.2022.3220845

摘要

本文展示了由人工智能高级研究所（Institute of Advanced Research in Artificial Intelligence，IARAI）组织的2022年Landslide4Sense（L4S）竞赛的科学成果。竞赛的目标是基于全球收集的大规模多源卫星影像，自动检测滑坡。2022年L4S旨在促进跨学科的研究，聚焦于深度学习（DL）模型在使用卫星影像进行语义分割任务中的最新进展。近年来，由于卷积神经网络（CNN）的发展，基于深度学习的模型在图像解译方面已达到了预期的性能。本文章的主要目的是介绍竞赛中的细节及最佳表现的算法，特别是通过Swin Transformer、SegFormer和U-Net等最先进模型提出的解决方案。此外，竞赛中还考虑了诸如困难样本挖掘、自训练和数据增强（如Mix-up）等先进的机器学习技术和策略。我们还描述了L4S基准数据集，以便进行进一步的比较，并报告了在线准确性评估结果。
数据可以通过未来发展排行榜（Future Development Leaderboard）进行评估，研究人员可以提交更多的预测结果，评估其方法的准确性，并与其他用户的结果进行对比，理想情况下改进本文中报告的滑坡检测结果。

I. 引言

• 滑坡是全球山区地区常见的自然灾害之一[1]。土壤、岩石及地面或地下物体在不稳定山坡上受到一定机制作用时，可能会发生滑动并形成滑坡[2]。滑坡主要是由自然过程（如暴雨、地震）或人为活动引发的[3]。最具破坏性的滑坡往往是快速下行的，它们可以在较长距离内发生并摧毁途经的一切，形成高山坡的伤痕，并在山谷中堆积成沉积物[4]。山区的滑坡问题对人类生活造成了严重影响，包括建筑物和基础设施的损坏，甚至可能导致人员伤亡[5]。当前的气候变化、人口增长以及在自然灾害易发区域的快速城市化进程也增加了滑坡发生及其后果的频率[6]。因此，近年来，越来越多的研究集中在加深对这些灾难性灾害机制的理解[7]。有关滑坡灾害最重要的信息是了解历史上的滑坡运动、精确的位置及其延伸范围，理想情况下应记录在滑坡清单数据集中[5]。此类数据集是提取先进信息、开展领域研究以及预测滑坡易发斜坡的关键要求[8]、[9]、[10]。基于此数据集生成的预测图可以用于研究区域的潜在减灾措施[11]。因此，更为准确和详细的滑坡清单数据集是精确减灾措施的先决条件[12]。

• 在过去的十年里，深度学习（DL）在计算机视觉和遥感（RS）图像分析领域获得了极大的关注。自2019年初以来，深度学习和卷积神经网络（CNN）开始应用于滑坡检测，主要使用超高分辨率（VHR）[14]和高光谱遥感数据[15]。使用深度学习技术生成比传统方法（如半自动化[16]和机器学习分类器[17]）更为精确的滑坡图，激发了研究人员在该领域开发和应用更复杂的深度学习算法。根据我们目前的了解，尚未有专门为滑坡检测设计的深度学习算法。因此，现有深度学习模型及其变种应用于此任务时，会面临一些新的问题，即它们在不同地理区域（具有不同地貌和土地覆盖类型）的迁移性，以及缺乏全面的开源基准数据集[12]。
  

人工智能遥感（AI4RS）小组是人工智能高级研究所（IARAI）下的一个国际科学小组，致力于卫星影像解译中最先进的深度学习解决方案和算法的开发与应用。该小组组织了L4S竞赛，旨在推动深度学习算法在滑坡检测这一特定地球观测应用中的发展。竞赛为参与者提供了一个滑坡基准数据集，其中包含了全球分布的多源卫星影像。该基准数据集作为评估不同深度学习方法的标准数据集进行准备和发布。训练集是该基准数据集的一个子集，由Ghorbanzadeh等人[6]进行了详细描述，并通过11个最先进的深度学习分割模型对该子集进行评估。

L4S竞赛促进了计算机视觉、人工智能（AI）和遥感图像分析领域的跨学科研究，尤其是在图像分类和滑坡检测任务中。其全球目标是构建基于深度学习的模型，理解通过提供的高程和坡度，基于由Sentinel-2传感器和ALOS PALSAR获取的自由获取卫星影像，识别滑坡的特征。在L4S竞赛期间，除了评估出最佳准确度的解决方案外，还特别奖励了最具创造性和创新性的解决方案。

本竞赛由IARAI组织，旨在利用多源卫星影像改进自动滑坡检测的深度学习算法。在本次竞赛中，主要目标是使用指定的滑坡基准数据集作为训练数据，创建滑坡清单地图。

本文的主要关注点是L4S竞赛的科学成果，接下来的结构安排如下：第二部分描述了竞赛中使用的L4S基准数据集；第三部分提供了竞赛的提交统计和总体结果；接下来的四部分讨论了排名前列的第一至第三名团队及特别奖团队提出的深度学习算法；最后，第八部分总结了我们的结论。

下节请参考：【论文推荐|深度学习，滑坡检测，多光谱影像，自然灾害，遥感】2022年Landslide4Sense竞赛成果：基于多源卫星影像的先进滑坡检测算法研究（二）

第二届遥感技术与测量测绘国际学术会议（RSTSM 2025）

• 2025 2nd International Conference on Remote Sensing Technology and Survey Mapping
• 大会官网：www.rstsm.net
• 时间地点：2025年2月28-3月2日 -北京
• 会议论文集出版，提交EI Compendex、Inspec、Scopus等数据库