社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

ISPRS最新成果|成都理工大学白林团队:融合 Transformer 与卷积结构,面向小目标的滑坡边界精细化提取深度学习框架

GEE遥感训练营 • 4 月前 • 258 次点击  

论文摘要



小尺度滑坡分割是遥感影像分析领域经典且极具挑战性的研究任务。当前基于 Transformer 的滑坡分割模型主要存在两大缺陷:小目标检测难度大、边界细节信息易丢失。针对上述问题,本文提出 LandslideSegFormer 语义分割网络,该网络以 SegFormer 框架为基础,分别对编码器与解码器模块进行了重新设计。LandslideSegFormer 融合 Transformer 与卷积结构,同步捕获全局与局部特征信息,以此强化小尺度滑坡的特征表达能力。尤为关键的是,本文引入非局部模块作为全局特征交互机制,在特征图上开展基于相似度的特征聚合操作。该机制通过计算特征空间内像素间的成对相似度,自适应调控信息交互过程,让语义相近的位置直接实现特征共享。仅通过单层运算即可构建长距离依赖关系,依赖强度由特征内容决定,不受空间距离约束,能够有效刻画滑坡与各类环境要素间的复杂关联。此外,本文面向 LandslideSegFormer 的编码器设计了门控混合注意力解码器:借助门控传递机制,解码器可选择性调控多尺度特征传输过程,既保留高分辨率细节信息、抑制背景噪声,又能精准定位小尺度滑坡区域。依托包含卫星影像与无人机影像的大规模 CAS 滑坡数据集开展多组实验,从小目标分割、复杂边界轮廓提取两个维度系统验证了 LandslideSegFormer 模型性能。本文基于轻量化 B0 主干网络设计的 LandslideSegFormer,性能优于 SegFormer-B0、SegFormer-B2 模型:在完整测试集上滑坡交并比(IoU)提升 5.34 个百分点;针对小尺度滑坡样本,IoU 提升 8.16 个百分点,边界 IoU 提升 9.08 个百分点,充分证明该模型在小尺度滑坡检测、复杂边界精细勾勒方面具备优异性能。

关键图表



图 1.CAS 滑坡数据集各子数据集样本滑坡影像与标签。影像中滑坡区域为蓝色掩膜、红色边界标注;对应的标签图内白色区域代表滑坡范围,黑色区域为背景。

图 2.LandslideSegFormer 网络整体结构。
图 3.Transformer 模块结构(共 4 组,x 取 1、2、3、4)。每个模块均嵌入轻量化卷积前馈网络(Lightweight-CFN)。
图 4.非局部模块结构。

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。

版权声明

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!

更多阅读



GIScience & Remote Sensing|中国科学院郑兴明团队:基于云平台与HRNet的地块提取框架,建成东北黑土区高精度农田地块边界数据集NECCPB-1
JAG最新成果|福州大学邱炳文团队:全球首套 10 米分辨率冬油菜数据集 GlobalWR-2025 开源发布
RSE最新成果|武汉大学HyperIQ新方法:利用星载高光谱精准量化设施级二氧化碳排放

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/198330