Resumo Deslizamentos de terra são um tipo de perigo geológico súbito e altamente destrutivo. Métodos tradicionais de detecção muitas vezes sofrem de resposta atrasada e baixa eficiência. Nos últimos anos, técnicas de detecção de objetos baseadas em aprendizado profundo têm atraído crescente atenção em tarefas de reconhecimento de desastres, particularmente modelos de detecção baseados em transformadores, que exibem vantagens significativas na modelagem de características globais. No entanto, os alvos de deslizamentos de terra em imagens de sensoriamento remoto frequentemente apresentam desafios como variação em larga escala, limites borrados e interferência de textura. Para abordar essas questões, este estudo propõe um algoritmo de detecção aprimorado baseado na estrutura RT-DETR-r18 integrando múltiplos módulos especializados. Primeiro, o módulo DDC3 é projetado para aprimorar o reconhecimento de limites finos e texturas locais, melhorando assim a capacidade de extração de características da rede backbone. Em segundo lugar, um mecanismo de Atenção Aditiva Eficiente (EAA) é introduzido para suprimir informações redundantes e fortalecer o foco do modelo em regiões críticas, melhorando a precisão da detecção. Por fim, o módulo CGAFusion é empregado, que utiliza uma estratégia de tripla atenção para regular colaborativamente os pesos das características. Este módulo aprimora a capacidade do modelo de filtrar características salientes enquanto preserva informações contextuais globais, resultando em uma detecção de bordas de deslizamentos de terra mais precisa. Um conjunto de dados de duas classes composto por deslizamentos de terra e tempestades é construído a partir de imagens multissouradas para avaliação. Os resultados experimentais mostram que o método proposto supera modelos existentes em várias dimensões, incluindo mAP@0.5 e F1 score, demonstrando forte precisão de detecção. O código está disponível em https://github.com/sanyauChenCoder/Landslide₀2.git.
Chen et al. (Quarta-feira) estudaram esta questão.