《Remote Sensing》：Boundary-Aware Attention-Enhanced DeepLabV3+ for Landslide Segmentation Along the Sichuan–Tibet Transportation Corridor
编辑推荐：
从高分辨率光学遥感影像中精确描绘滑坡，对山区地质灾害评估和基础设施安全具有重要意义。然而，由于滑坡在尺度、形态、地表外观和边界清晰度方面存在巨大差异，自动分割仍然具有挑战性。这些困难在老滑坡中尤为突出，因为老滑坡的表面特征在长期侵蚀、植被恢复和地表改造后可
从高分辨率光学遥感影像中精确描绘滑坡，对山区地质灾害评估和基础设施安全具有重要意义。然而，由于滑坡在尺度、形态、地表外观和边界清晰度方面存在巨大差异，自动分割仍然具有挑战性。这些困难在老滑坡中尤为突出，因为老滑坡的表面特征在长期侵蚀、植被恢复和地表改造后可能变得不那么明显。为建立一致的基准，研究人员在统一实验协议下，在川藏交通走廊滑坡识别（Landslide Recognition along the Sichuan–Tibet Transportation Corridor，LRSTTC）数据集上评估了五种代表性语义分割模型。DeepLabV3+表现出最强的整体基线性能，被选为基础架构。研究人员随后开发了一种边界感知注意力增强DeepLabV3+（Boundary-Aware Attention-Enhanced DeepLabV3+，BAA-DeepLabV3+）框架，其中在空洞空间金字塔池化（Atrous Spatial Pyramid Pooling，ASPP）之后引入卷积块注意力模块（Convolutional Block Attention Module，CBAM）进行高层特征细化，同时辅助边界分支在训练期间提供额外的空间监督。在种子42的对照消融实验中，BAA-DeepLabV3+将交并比（Intersection over Union，IoU）从0.3644提高到0.4229，Dice系数从0.5341提高到0.5944，而模型参数仅增加了可忽略的量。在三个随机种子下，平均IoU从0.3599 ± 0.0275提高到0.3876 ± 0.0315。在独立的毕节滑坡数据集上的外部验证进一步将平均IoU从0.7295提高到0.7444，且BAA-DeepLabV3+在所有三个随机种子下均优于基线。这些结果表明，基于注意力的特征细化和边界感知监督可以互补地改善滑坡分割，同时在分割性能和计算效率之间保持有利平衡。
## 论文解读
### 一、研究背景与问题
滑坡是山区最常见的地质灾害之一，对交通基础设施、居民点和生态系统构成严重威胁。川藏地区因地形陡峭、构造活动强烈、地质条件复杂、气候多变，是滑坡灾害的高发区。遥感技术为大范围滑坡制图提供了高效手段，但基于深度学习的自动分割仍面临诸多挑战：滑坡在尺度、形态、地表外观和边界清晰度方面差异极大；老滑坡在经历长期侵蚀、植被恢复、风化及人为改造后，其光谱纹理特征与周围坡体逐渐趋同，边界愈发模糊，成为分割中的难点。现有公开数据集在样本组成和视觉特征上具有高度复杂性，尤其LRSTTC数据集包含924个样本（740个新滑坡与184个老滑坡），类别不均衡显著，老滑坡仅占约19.9%。在此背景下，研究旨在系统比较不同语义分割模型在统一协议下的性能差异，并通过结合注意力机制与边界监督构建兼顾精度与效率的滑坡分割框架。
### 二、研究内容概述
研究人员在LRSTTC数据集上以统一实验协议评估了五种代表性语义分割模型，发现DeepLabV3+整体性能最佳，遂以其为基础架构，开发了边界感知注意力增强DeepLabV3+（BAA-DeepLabV3+）框架。该框架在空洞空间金字塔池化（ASPP）后引入卷积块注意力模块（CBAM）进行高层特征细化，并在训练阶段增加辅助边界分支提供空间监督。通过基线对比、新旧滑坡差异分析、消融实验、效率分析、多随机种子实验及毕节数据集外部验证，系统评估了所提框架的有效性和适用性。
### 三、关键技术方法
研究采用LRSTTC数据集（Jiang等构建，含924个样本），按滑坡类型和图像尺寸划分代理分组后以约70%、15%、15%比例分为训练、验证、测试集，并通过感知哈希（pHash）近重复审计确保子集间无双重样本。统一输入尺寸512×512像素，使用ImageNet预训练权重初始化，AdamW优化器，初始学习率和权重衰减均为1×10
?4，多项式学习率衰减，批次大小8，训练100轮，早停耐心15轮。所有基线及BAA-DeepLabV3+均使用相同数据划分和优化设置，主实验在三个随机种子（42、17、123）下重复。评估指标包括精确率、召回率、IoU、Dice系数、边界IoU（Boundary IoU）、HD95以及参数量、浮点运算量（FLOPs）和推理速度（FPS）。外部验证使用毕节滑坡数据集770张带标注RGB图像和2003张非滑坡图像。
### 四、研究结果
**3.1 基线模型总体对比。** 七个基线模型在分割精度和计算效率上差异明显。UNetFormer（IoU 0.3725 ± 0.0240）和Swin-Unet（0.3680 ± 0.0260）表现突出；DeepLabV3+在经典网络中取得最佳IoU（0.3599 ± 0.0275）。所提BAA-DeepLabV3+以0.3876 ± 0.0315的IoU显著超越所有基线，边界IoU为0.3320 ± 0.0215，HD95为28.60 ± 2.10像素，均优于代表性边界感知模型Gated-SCNN，显示了区域完整性与边界定位的双重优势。基于精度与效率的综合权衡，DeepLabV3+被选为基础架构。
**3.2 新旧滑坡性能差异。** 全部模型对新滑坡的分割性能均显著优于老滑坡。各模型新滑坡IoU范围为0.3933至0.4930，而老滑坡仅0.1951至0.2666。最佳整体模型并非对每种滑坡类型最优：SegFormer-B0在新滑坡上表现最佳，PSPNet在旧滑坡上IoU最高。弱表面对比度、植被恢复、侵蚀和不清晰的古地貌边界是造成系统性性能差距的主要原因。
**3.3 精度-效率权衡。** BAA-DeepLabV3+参数量为22.45百万，仅比DeepLabV3+多约0.01百万，IoU却从0.3644提升至0.4229，绝对提高0.0585，而推理速度仅从166.9 FPS略微降至159.6 FPS。该框架在分割精度、模型规模和推理效率间取得了有利平衡，适合大规模滑坡制图应用。
**3.4 消融研究。** 跨三个随机种子的消融结果显示，单独添加CBAM使平均IoU略降至0.3485 ± 0.0290；单独添加边界辅助分支时平均IoU为0.3615 ± 0.0250，但HD95从45.20 ± 3.50像素显著降至32.40 ± 2.60像素，边界IoU从0.2750 ± 0.0180提升至0.3120 ± 0.0170，表明边界分支专门改善了空间边界质量。两者组合后平均IoU提升至0.3876 ± 0.0315、Dice系数提升至0.5580 ± 0.0285，验证了注意力特征细化与边界监督的互补作用。
**3.5 边界损失权重敏感性分析。** 边界损失权重λ在0.1至0.5范围内呈倒U形性能曲线。λ=0.2时平均IoU（0.3876）和边界IoU（0.3320）均达峰值；λ增至0.5时mIoU降至0.3550，甚至低于原始DeepLabV3+基线。形态学边界宽度敏感性分析表明5像素为最优设置。
**3.6 不同随机种子的鲁棒性。** 三种子实验中，BAA-DeepLabV3+平均IoU为0.3876 ± 0.0315，相对DeepLabV3+绝对提升0.0277（约7.7%相对提升），老滑坡平均IoU由0.2387升至0.2621。但种子123下模型表现不佳，表明仍存在对随机初始化的敏感性。
**3.7 DeepLabV3+与BAA-DeepLabV3+定性对比。** 定性结果与定量分析一致：新滑坡方面BAA-DeepLabV3+分割区域更完整、边界贴合度更高；老滑坡方面明显减少了误检并恢复部分难分割区域，但在弱对比场景下仍有漏检和边界误差。
**3.8 毕节滑坡数据集上的结果。** 外部验证中BAA-DeepLabV3+平均IoU为0.7444 ± 0.0068，优于DeepLabV3+（0.7295 ± 0.0095）及UNetFormer（0.7385 ± 0.0080）和Swin-Unet（0.7360 ± 0.0085），且三个随机种子下均稳定领先。非滑坡图像误警评估显示，BAA-DeepLabV3+将每幅图像的平均假阳性面积从1105.4 ± 95.5像素大幅降至287.6 ± 35.8像素，像素级特异性提升至0.9989 ± 0.0004，对实际决策支持极为重要。
### 五、讨论总结与研究结论
讨论部分指出，老滑坡分割困难源于表面时间演化导致的视觉对比减弱、地貌边界模糊与类别样本分布不均衡的叠加效应。CBAM与边界监督在功能上互补：CBAM修正高层多尺度特征的选择性，边界分支提供边缘空间约束，二者协同才能实现整体性能提升，单独使用均无法带来平均IoU的实质提高。精度-效率权衡使该框架适用于大规模走廊制图场景；毕节数据集的改进幅度小于LRSTTC，表明模块收益随数据特征而变化。研究局限包括：样本总量有限且老旧滑坡不均衡、公开数据集缺乏地理坐标无法严格保证空间独立性、仅使用RGB光学影像、部分随机种子下性能仍存在波动。
研究结论：本研究评估了五种代表性语义分割模型在LRSTTC数据集上的滑坡制图性能，并进一步开发了BAA-DeepLabV3+框架。对比表明不同架构在分割精度和计算效率上各有优势，DeepLabV3+在基线中取得最佳整体性能并被选为基础架构；老滑坡整体比新滑坡更难分割，主要原因在于较弱的视觉对比、不明显的边界和更复杂的地表条件。BAA-DeepLabV3+结合CBAM特征细化与辅助边界监督，在种子42的对照实验中使整体IoU从0.3644提升至0.4229、Dice系数从0.5341提升至0.5944，同时仅引入极小的参数增量；跨三个随机种子平均IoU从0.3599 ± 0.0275升至0.3876 ± 0.0315；毕节数据集外部验证将平均IoU从0.7295提升至0.7444，且在所有随机种子下均优于原始DeepLabV3+，为其在独立数据集上的适用性提供了进一步证据。总体而言，将基于注意力的特征细化与边界感知监督相结合，是复杂山地环境中滑坡分割的有效策略，该框架在分割性能与计算效率之间保持了良好平衡，未来将着眼于更大更均衡的数据集、地理独立验证、多源遥感数据及训练稳定性提升，以进一步增强模型的泛化能力。
