典型文献
基于Deeplab V3+的2019年长宁M6.0地震建筑物震害信息提取研究
文献摘要：
快速获取地震所造成的建筑物震害信息是灾后救援及灾害损失评估的关键,以语义分割网络为代表的深度学习技术的发展,为震后建筑物震害信息的获取提供了一种新的手段.本文将Deeplab V3+神经网络模型应用于建筑物震害信息的提取,以2019年长宁M6.0地震震后双河镇0.06 m分辨率的无人机影像作为建筑物震害信息提取试验数据源,将试验区建筑物划分为无明显破坏、破坏两类,其余作为背景信息,人工进行建筑物震害信息的分类与标注,构建样本数据集并进行网络模型的训练.为了提高模型针对不同场景下地物类别分类的鲁棒性与泛化能力,进行了样本增强处理,开展了样本增强对模型精度的影响实验与训练样本数量对模型精度的影响实验,并以九寨沟漳扎镇震后无人机0.4 m分辨率影像进行模型的可迁移性实验.实验结果表明,本次研究所建立的神经网络模型在建筑物震害信息的提取中可以达到较高的提取精度;样本增强后较样本增强前模型各类别提取精度都有不同程度的提高,特别是破坏建筑物召回率提高约0.15,精确率提高约0.20;该神经网络模型在未做任何修改的情况下,具有一定的可迁移性.
文献关键词：
深度学习;Deeplab V3+;建筑物;震害提取;样本增强
中图分类号：
作者姓名：
王鑫;窦爱霞;郭红梅;袁小祥
作者机构：
中国地震局地震预测研究所,北京 100036;四川省地震局,四川成都 610041
文献出处：
引用格式：
[1]王鑫;窦爱霞;郭红梅;袁小祥-.基于Deeplab V3+的2019年长宁M6.0地震建筑物震害信息提取研究)[J].地震,2022(03):124-140
A类：
震害提取
B类：
Deeplab,V3+,年长,长宁,M6,建筑物震害,震害信息提取,灾后救援,灾害损失评估,语义分割网络,深度学习技术,震后,模型应用,震震,双河,无人机影像,提取试验,数据源,试验区,背景信息,工进,样本数据集,同场,地物,泛化能力,样本增强,模型精度,训练样本,样本数量,九寨沟,可迁移性,召回率,精确率
AB值：
0.266371
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
