Page 158 - 《武汉大学学报（信息科学版）》2025年第6期

1180 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 6 月

输出部分将重构后维度为 13 × 9 × 9 的特征 元，防止评价模型过拟合。最后进行 Softmax 分
输入到全连接层，输入神经元数量为 1 053，输出 类，输出归一化后的一维向量，即滑坡发生的概
神 经 元 数 量 为 2，按 照 0.5 的 概 率 随 机 丢 弃 神 经 率值。

图 4 MFL‑LN 网络结构
Fig. 4 MFL‑LN Network Structure

2.3 深度特征增强模块 F DSC = D 2 × D 2 × k× k× M+ M× N× D 2 × D 2
以 CNN 为基础构建基于深度学习网络的滑 （5）
坡评价模型时，往往通过增加卷积层数来提高模 DSC 与传统卷积的参数量和浮点运算量的
型预测精度，导致模型越来越复杂，模型训练和 比值分别为：
预测成本也越来越高。利用 DSC 构建的轻量级 P DSC k × k × M + M × N 1 1
= = + （6）
卷积神经网络可以在不降低模型精度的同时减 P Norm k × k × M × N N k 2
少参数量 ［30］ 。DSC 结构如图 5 所示，主要包括深 F DSC D 2×D 2×k×k×M+M×N×D 2×D 2
= D 2×D 2×k×k×M×N =
度卷积和 1×1 逐点卷积。其中深度卷积将标准 F Norm
1 1
卷积在每个输入通道上单独执行，以捕获每个通 + （7）
N k 2
道上的空间特征；逐点卷积则是对深度卷积后的
由式（6）、式（7）可知，当卷积核个数增加或
通道特征通过 1×1 逐点卷积进行线性组合操作，
者卷积核尺寸较大时，DSC 相比于传统卷积可有
以实现轻量化的效果 ［31］ 。
效减少参数量和浮点运算量，从而起到了模型轻
量化的作用。
不同滑坡评价因子对滑坡的影响程度不同，
现有方法大多未能区分不同评价因子的重要性及
重点关注重要评价因子对滑坡易发性的贡献，通
过引入通道增强的注意力机制 ［32］ ，设计改进 DSC
图 5 深度可分离卷积
的 DFEM 模块来动态学习滑坡评价因子致灾程
Fig. 5 Depthwise Separable Convolution
度，赋予不同的权重，增强模型对重要评价因子
假设输入特征维度为 D 1 × D 1 × M，深度卷 的感知和利用。DFEM 模块结构如图 6 所示。
积的卷积核大小为 k × k × M，通过深度卷积对 对 输 入 特 征 进 行 深 度 卷 积 和 批 量 归 一 化
（batch normalization， BN）操作得到特征 X 2，分别
每 个 通 道 单 独 执 行 ，得 到 的 特 征 维 度 为 D 2 ×
D 2 × M，再对该特征进行逐点卷积，卷积核大小 进行全局平均池化和全局最大池化，得到最大池
为 1 × 1 × M，卷积核个数为 N，通过 1 × 1 逐点 化特征和平均池化特征；对特征信息进行聚合，
卷积后得到的输出特征维度则为 D 2 × D 2 × N。 将两个池化特征输入共享网络中进行权重共享，
传统卷积参数量 P Norm、浮点运算量 F Norm、DSC 参 对输出的两个特征向量进行合并，采用 Sigmoid
数量 P DSC、浮点运算量 F DSC 的计算式分别为： 函数激活并与 X 2 相乘得到 X 3；结合原特征和对不
P Norm = k × k × M × N （2） 同 通 道 的 增 强 特 征 X 1 进 行 合 并 ，特 征 图 依 次 执
F Norm = D 2 × D 2 × k × k × M × N （3） 行 ReLU、逐 点 卷 积 、BN、ReLU，实 现 深 度 特 征
P DSC = k × k × M + M × N （4） 增强。