一种用于滑坡语义分割数据增强的Style-Pix2Pix GAN框架

《Landslides》：A style-Pix2Pix GAN framework for data augmentation in landslide semantic segmentation

针对极端降雨引发滑坡频发但目标区域标注数据稀缺的问题，本研究提出Style-Pix2Pix GAN框架，通过StyleGAN2生成高精度滑坡掩膜并捕捉形态与空间特征，结合Pix2Pix GAN建立掩膜与光学影像的映射关系，自主合成高质量滑坡数据。实验表明合成数据与真实数据在几何复杂性和光谱特征上高度一致，结合真实数据训练的语义分割模型在滑坡识别中性能显著优于单一真实数据集。

　　

摘要

极端降雨事件的频发导致了山体滑坡数量的显著增加，因此准确且及时的检测对于有效的灾害管理至关重要。然而，目标地区标注过的山体滑坡数据稀缺，这严重限制了基于深度学习的映射模型的性能，尤其是在紧急情况下。为了解决这一挑战，本研究提出了一种创新的Style-Pix2Pix GAN框架，该框架能够从有限的真实样本中自主合成高保真的山体滑坡数据。该框架采用双网络架构：StyleGAN2通过捕捉真实山体滑坡的形态特征和空间结构来生成逼真的滑坡掩膜，而Pix2Pix GAN则通过学习掩膜与图像之间的条件映射来重建相应的光学图像。在韶关山体滑坡数据集上的实验证明了该框架的有效性。合成数据在几何复杂性和光谱特征方面与真实山体滑坡非常相似。将合成数据与真实样本结合使用可以增强用于山体滑坡映射的语义分割模型的训练效果。在该组合数据集上训练的模型在山体滑坡识别方面的性能优于仅使用真实数据训练的模型。