【论文解读|滑坡检测·U-Net·语义分割· 深度学习·遥感·中分辨率影像】基于双编码器 U-Net 的滑坡检测方法：融合 Sentinel-2 影像与 DEM 数据（五）

【论文解读|滑坡检测·U-Net·语义分割· 深度学习·遥感·中分辨率影像】基于双编码器 U-Net 的滑坡检测方法：融合 Sentinel-2 影像与 DEM 数据（五）

---

---

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

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。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/145551342

---

论文地址：DOI 10.1007/s10346-023-02089-5

3 方法：数据预处理

3.3 模型构建

3.3.2 带注意力机制的解码路径（Decoding Path with Attention）

解码器由 上采样层 和 卷积层 组成，其中，上采样层对编码器的特征图进行重缩放，并通过卷积层优化特征。通过堆叠上采样层与卷积层，解码器逐步重建图像目标并突出目标特征。本网络包含 四个解码块（decoder blocks），每个解码块由 一层上采样层 和 两层卷积层 组成，以更新特征并调整通道数。在最终解码块中，使用 1×1 卷积层 进行分类映射，最终在每个像素位置生成与类别数相同长度的特征向量。

U 形网络（U-Net）通常采用 跳跃连接（skip connection） 以拼接编码器与解码器对应层的特征，从而在上采样后保留更多高分辨率细节。本研究在跳跃连接中引入 自注意力（self-attention） 模块（Oktay 等，2018），以增强特征融合，使模型聚焦于目标信息，同时抑制无关背景信息（如图 5）。

在 图 5 中：

• X 表示来自解码块的上采样特征图；
• H 表示来自对应编码块的特征图；
• m 为特征图尺寸；
• d_h 和 d_x 分别表示 H 和 X 的通道数；
• d_int 和 d_out 分别表示 中间特征通道数 和 输出特征通道数。

首先，H 和 X 经过 1×1 卷积层 更新，生成的特征图进行逐元素加法，得到中间特征图，再经 1×1 卷积层 计算 注意力系数 P。接着，输入 X 乘以 P，并与 H 进行拼接，最终生成融合后的输出特征图。

3.3.3 损失函数（Loss Function）

• 本网络采用 联合损失函数 $L$ 进行训练，结合 加权交叉熵损失（Weighted Cross Entropy, WCE）
  $L_{WCE}$ 和 Dice 损失（Dice Loss） $L_{Dice}$ 的优势。其中，交叉熵损失 具有良好的可优化性，而 Dice 损失 可有效缓解类别不均衡问题。因此，综合损失函数 $L$ 兼具两者优点，其计算公式如下：

其中，$\lambda \in [0,1]$ 为平衡参数。

加权交叉熵损失（Weighted Cross Entropy, WCE）

• 加权交叉熵损失是交叉熵损失的变体（Phan & Yamamoto, 2020），用于缓解类别不均衡问题，其计算公式如下：

其中：$N$ 为训练样本数，$K$ 为类别数，${\beta }_k$ 为第 $k$ 类的权重，$y_n$ 为第 $n$ 个样本的 one-hot 标签，${\hat{y}}_n$为第 $n$ 个样本的预测概率。加权交叉熵对于缓解类不平衡问题很有用（Phan and Yamamoto 2020）。

Dice 损失（Dice Loss）

Dice 损失基于 Dice 系数，最初用于处理类别极度不均衡的问题（Milletari et al., 2016）。Dice 系数取值范围为 0-1，用于衡量预测结果与真实标签的相似度，其计算公式如下：
其中，$y_n$ 和 ${\hat{y}}_n$分别为真实标签和预测值。

3.3.4 性能评估（Performance Assessment）

为了评估模型性能，我们计算 精确率（Precision）、召回率（Recall） 和 F1 值（F1 Score），其计算公式如下：

其中：

• TP（真阳性）：正确分类为滑坡的像素数，
• TN（真阴性）：正确分类为背景的像素数，
• FP（假阳性）：真实背景像素被错误分类为滑坡的像素数，
• FN（假阴性）：真实滑坡像素被错误分类为背景的像素数。
• 精确率（Precision）：预测为滑坡的像素中，真正属于滑坡的比例。
• 召回率（Recall）：真实滑坡像素中，被正确分类的比例。
• F1 值（F1 Score）：精确率和召回率的调和平均值，在两者之间取得平衡。

下节请参考：【论文解读|滑坡检测·U-Net·语义分割· 深度学习·遥感·中分辨率影像】基于双编码器 U-Net 的滑坡检测方法：融合 Sentinel-2 影像与 DEM 数据（六）

---

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

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。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/145551342