深度学习滑坡识别算法中样本不平衡问题的研究
王丽霞, 喜文飞, 史正涛, 赵子龙, 钱堂慧, 赵磊, 马奕捷
2024, 0(5):
12-18.
doi:10.13474/j.cnki.11-2246.2024.0503
摘要
(
)
PDF (6696KB)
(
)
参考文献 |
相关文章 |
多维度评价
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Faster R-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。结果表明:①在困难样本不平衡下模型的准确率为85.16%,F1值为0.69,精确率为56.96%,召回率为86.58%、漏检率为0.33,通过强化样本质量后准确率提升2.04%,精确率提升4.29%,召回率提升1.71%,漏检率降低0.04;②在正负样本不平衡下模型准确率为96.03%,F1值为0.78,精确率为64.50%,召回率为97.15%、漏检率为0.09,通过增加困难样本参与训练后,准确率下降8.45%,精确率下降6.93%,召回率下降7.25%,漏检率提升0.18。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。