面向实时滑坡监测的轻量化双流注意力网络：多模态遥感影像中的边缘计算突破

本刊推荐一项创新性研究：作者团队开发了一种仅含2.03M参数的双流注意力网络（Dual-Stream Attention Network），通过融合RGB正射影像与数字高程模型（DEM），在保持梯度稳定的≤1-Lipschitz约束下，实现了高精度滑坡实时分割（IoU: 0.835），其参数量比经典DeepLabv3?（R-101）减少95%，为机载地质灾害监测系统提供了轻量化解决方案。

　　

Highlight

该双流注意力网络通过四项紧密耦合的创新推动滑坡分割技术发展：(i) 模态解耦编码器_θ^RGB 和 _θ^DEM 生成正交特征子空间，在跨模态干扰前保护光谱纹理与地形信息；(ii) 尺度自适应编码器-解码器骨干网，每层级应用复合算子实现扩张感知的等变性并控制 Lipschitz 常数；(iii) 梯度稳定注意力门在收缩约束下调制跳跃特征，将计算聚焦于滑坡显著区域；(iv) 端到端融合解码器仅含2.03M参数，直接数据学习并保留通用逼近能力。

Statistical precursors and classical machine learning.

最早基于野外调查与多元统计建立滑坡发生与地貌因子的经验关联。Guzzetti 等首次证明通过判别分析可建模滑坡敏感性，后续 GIS 集成研究扩展了逻辑回归与支持向量机方法。

Problem statement.

给定专家标注的滑坡像素地图训练集，目标是学习参数化预测器，最小化期望分割风险。

Dataset

实验基于贵州毕节滑坡数据集，包含0.8米全色与3.2米多光谱数据，DEM 由 ALOS PALSAR 生成，涵盖 4096×4096 像素区域，包含 4739 个滑坡标注。

Main quantitative results

双流网络在毕节基准上达到 F₁=0.9347，准确率 0.9377，参数量仅 2.03M；在印度季风数据集上 IoU 达 0.758，优于所有轻量化基线。

Conclusion

我们提出的双流注意力网络仅含 2.03M 参数，通过理论保证的等距融合与注意力机制，在保持高精度的同时实现边缘设备实时推断，为下一代地质灾害监测系统奠定基础。