深度学习滑坡识别算法中样本不平衡问题的研究.pdf

１２２０２４５

测绘通报年第期

．Ｊ．２０２４５１２１８．ＤＯＩ１０．１３４７４／ｊ．ｃｎｋｉ．

引文格式：王丽霞，喜文飞，史正涛，等深度学习滑坡识别算法中样本不平衡问题的研究［］测绘通报，（）：：

１１２２４６．２０２４．０５０３．

深度学习滑坡识别算法中样本不平衡问题的研究

１１２１２３１１１

，，

王丽霞，喜文飞，史正涛，赵子龙，钱堂慧，赵磊，马奕捷

（１．云南师范大学地理学部，云南昆明６５０５００；２．云南省高原地理过程与环境变化重点实验室，

云南昆明６５０５００；３．云南海钜地理信息技术有限公司，云南昆明６５００００）

摘要：山体滑坡是一种常见的地质灾害，一旦发生会给自然生态系统和人类造成重大财产损失和人员伤亡，如何快速准确获取滑

坡信息对防灾减灾至关重要。传统的深度学习方法对滑坡样本质量依赖性大，但现有的样本质量参差不齐，极少考虑滑坡样本不

平衡问题对深度学习模型性能的影响。针对如何通过改善样本质量提升模型精度的问题，本文从样本质量出发，提出了一种基于

多源不平衡样本的ＦａｓｔｅｒＲＣＮＮ滑坡目标检测方法，通过对多种不平衡样本的集成训练，研究不同样本对模型综合性能的影响。

８５１６％Ｆ１０６９５６９６％８６５８％０３３

结果表明：在困难样本不平衡下模型的准确率为，值为，精确率为，召回率为、漏检率为，通

①

２０４％４２９％１７１％００４

过强化样本质量后准确率提升，精确率提升，召回率提升，漏检率降低；在正负样本不平衡下模型准确

②

９６０３％Ｆ１０７８６４５０％９７１５％００９

率为，值为，精确率为，召回率为、漏检率为，通过增加困难样本参与训练后，准确率下降

８４５％６９３％７２５％０１８

，精确率下降，召回率下降，漏检率提升。困难样本对模型综合性能影响更大，通过提高这部分样本质量

可以提升模型检测精度。因此，本文提出的方法为解决深度学习中滑坡数据样本不平衡问题提供了参考。

关键词：ＦａｓｔｅｒＲＣＮＮＧＦ２

深度学习；滑坡检测；；不平衡样本；遥感影像

中图分类号文献标识码文章编号

：Ｐ２３７：Ａ：０４９４０９１１（２０２４）０５００１２０７

Ｓｔｕｄｙｏｎｓａｍｐｌｅｕｎｂａｌａｎｃｅｉｎｌａｎｄｓｌｉｄｅｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎ