图 5.混合注意力模块结构。
图 6.门控特征传播(GFP)模块结构。
图 7.多阶段特征提取流程可视化。特征图由编码器第 1–4 阶段(分辨率依次为 1/4、1/8、1/16、1/32)做通道最大值投影得到;各列依次为:Transformer 分支、卷积神经网络分支、多路特征融合模块、非局部模块、门控混合注意力解码器。最右侧为滑坡类别热力图与模型最终预测结果,红色代表高激活响应区域。
图 8.测试集消融实验结果可视化对比。掩膜图中蓝色透明掩膜、红色边界区域为真实滑坡(掩膜即真值标签);黑色像素为预测背景,白色像素为模型提取的滑坡区域,红色圆圈标注用于性能对比的重点区域
图 9.模型在独立数据集 HR-GLDD 上跨域泛化效果定性对比。红色圆圈标注模型间效果对比的重点区域;(a)–(d) 为不同形态的滑坡样本。
图 10.模型在独立数据集 LMHLD 上跨域泛化效果定性对比。红色圆圈标注模型间效果对比的重点区域;(a)–(d) 为不同形态的滑坡样本。
图 11.消融实验在完整测试集与小尺度滑坡子集上的平均交并比(mIoU)变化曲线。随着模块逐步叠加,两组数据集 mIoU 整体均呈上升趋势,小尺度滑坡子集精度始终低于全集,体现出小目标检测本身存在较大难度。
图 12.消融实验在完整测试集与小尺度滑坡子集上的边界交并比(BIoU)变化曲线。随着模块逐步引入,两组数据集精度均实现显著提升;小尺度滑坡子集的边界交并比优于全集,说明该方法在小尺度场景下具备更优异的边界提取能力。
图 13.SegFormer-B2 与 LandslideSegFormer 小尺度滑坡检测效果对比。红色框标注误检、漏检区域,蓝色框突出两个模型在滑坡边界勾勒、滑坡区域提取完整性上的差异;白色矩形内为局部放大细节。
图 14.无人机与卫星两类遥感数据下滑坡分割效果跨平台可视化评估。掩膜图中蓝色透明掩膜、红色边界为真实滑坡区域(掩膜为真值);黑色像素代表背景,白色像素代表滑坡预测区域,红色圆圈标注性能对比重点区域。
声明:本推文仅用于学习交流,不做其他任何目的。若有侵权,请联系微信号:GeeStudy_2020删除或修改!论文doi链接:https://doi.org/10.1016/j.isprsjprs.2026.05.047,点赞、收藏、关注!