【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（四）

【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（四）

---

---

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

3.3.1 双编码路径与特征融合

• 在深度语义分割网络中，编码器（encoder）主要由 卷积层（convolutional layers）、激活函数（activation functions） 和 池化层（pooling layers） 组成。
• 卷积层通过线性卷积运算提取深层特征，并通过 ReLU（Rectified Linear Unit） 等非线性激活函数生成特征图（feature maps）。
• 卷积核（convolution kernels）的参数可训练，并通过 反向传播（backpropagation） 进行自适应优化。
• 池化层用于降采样（down-sampling） 以提取高级特征并降低计算复杂度，常见方法包括最大池化（max pooling） 和平均池化（average pooling）。

1. 双编码器架构（Dual-Encoder Architecture）

编码路径（encoding path）由 主编码器（master encoder） 和 辅助编码器（companion encoder） 组成：

• 主编码器 由 4 个编码块（encoder blocks）组成，第一个编码块包含 两层卷积层，后续 3 个编码块均包含 一层池化层和两层卷积层。
• 辅助编码器 由 3 个编码块组成，前两个编码块均包含 两层卷积层和一层池化层，第三个编码块仅包含 两层卷积层。

Sentinel-2 的 光学波段 作为主编码器的输入，DEM 数据 作为辅助编码器的输入，利用最大池化（max pooling）聚合卷积层提取的深度信息。

2. 分层特征融合（Layer-Wise Feature Fusion）

为了增强网络的特征表达能力与一致性，两个编码器提取的特征逐层融合：

• 在每个编码阶段，主编码器与辅助编码器对应编码块的特征图（feature maps）进行拼接（concatenation），并输入到主编码器的下一编码块。
• 该特征融合策略能够有效提升模型的判别能力。

主编码器数据流中的特征图生成过程由 公式（1） 进一步描述。

• 设 $\delta$ 和 $\vartheta$ 分别表示 主编码器（master encoder） 和 辅助编码器（companion encoder），$l$
  为编码块的序号，$m$ 代表特征图尺寸，$d(l)$ 为第 $l$ 层输出特征图的通道数。
• $H_{\delta ,l}\in R^{m\times m\times d(l)}$是主编码器第$l$个编码器块更新的输出特征映射图；
• $H_{\delta ,l-1}\in R^{2m\times 2m\times d(l-1)}$是主编码器第$l-1$个编码器块更新的输出特征图 ；
• $H_{\vartheta ,l-1}\in R^{2m\times 2m\times d(l-1)}$是辅助编码器第$l-1$个编码器块更新的输出特征图 ；
• $W_{\delta ,1}\in R^{d(l)\times 2d(l-1)}$和$W_{\delta ,2}\in R^{d(l)\times d(l)}$为可训练参数矩阵。
• BN 代表 批量归一化（batch normalization），
• $\sigma (\cdot )$ 为 激活函数（activation function），$MaxPool2\times 2(\cdot )$ 代表 2×2 最大池化（max pooling） 操作。

辅助编码器中编码块的特征图计算公式如下：

• $H_{\vartheta ,l}\in R^{m\times m\times d(l)}$是输出特征图；
• $H_{\vartheta ,l-1}\in R^{2m\times 2m\times d(l-1)}$是输入特征图 ；
• $W_{\vartheta ,1}\in R^{d(l)\times 2d(l-1)}$和$W_{\vartheta ,2}\in R^{d(l)\times d(l)}$表示编码器块的卷积层的可训练参数矩阵。

除了主编码器（master encoder）和辅助编码器（companion encoder）外，编码路径与解码路径之间通过 桥接模块（bridge） 连接，该模块包含 最大池化层（max pooling layer）、两层卷积（convolutional layers） 和 上采样层（up-sample layer）。

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（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