RMAU-NET：用于从遥感图像中进行滑坡分割与检测的残差多头注意力U-Net架构
计算机视觉与模式识别
2025-07-16 v1 机器学习
图像与视频处理
摘要
近年来，由于干旱、洪水、风暴或因森林砍伐、过度开采自然资源等人类活动的结果，滑坡灾害报告频繁发生。然而，由于观测区域极大且山地或高原地貌极其崎岖，自动观测滑坡具有挑战。为此，我们提出了一个基于深度学习的端到端模型，用于从遥感图像中自动观测滑坡事件。通过将遥感图像作为输入数据，我们可以获得免费资源，按时间观测大范围和粗糙的地形。为探索遥感图像，我们提出了一种新型神经网络架构，用于滑坡检测和滑坡分割两个任务。我们在三个不同的基准数据集（LandSlide4Sense、Bijie、Nepal）上评估了所提出的模型。在进行大量实验后，针对LandSlide4Sense、Bijie数据集的滑坡检测任务，我们实现了98.23、93.83的F1分数；针对LandSlide4Sense、Nepal数据集的分割任务，我们实现了63.74、76.88的mIoU分数。这些实验结果证明了将所提出模型集成到实际滑坡观测系统中的潜力。
引用
@article{arxiv.2507.11143,
title = {RMAU-NET: A Residual-Multihead-Attention U-Net Architecture for Landslide Segmentation and Detection from Remote Sensing Images},
author = {Lam Pham and Cam Le and Hieu Tang and Khang Truong and Truong Nguyen and Jasmin Lampert and Alexander Schindler and Martin Boyer and Son Phan},
journal= {arXiv preprint arXiv:2507.11143},
year = {2025}
}