近日，我院王国杰教授团队在国际权威期刊《Landslides》发表了题为“Landslide detection from bitemporal satellite imagery using attention based deep neural networks”的研究成果。博士研究生Solomon Obiri Yeboah Amankwah为论文第一作者，王国杰教授为通讯作者。基于双时相卫星影像，该研究采用具有“注意力机制”（attention）的变化检测深度神经网络（DNNs）识别滑坡灾害，既可提高滑坡灾害相对于其他地物的辨识能力，又可以有效抑制卫星遥感影像中背景噪声的影响。
图1 本研究总体技术路线图
基于喜马拉雅山区中国-尼泊尔边境的双时相光学遥感影像，该研究比较了时空注意力神经网络（Spatial-temporal attention neural network, STANet)、孪生U型网络（Siamese Nested U-Net, SNUNet）等多种深度神经网络对滑坡滑坡灾害的识别效果。结果表明，引入“注意力机制”的深度神经网络的识别效果优于其他传统深度神经网络，而孪生U型网络对滑坡体的识别效果要显著优于其它神经网络，各项评估指标得分最优且能识别更为精细的滑坡体边界细节。
图2 不同方法滑坡识别效果对比图。（a）滑坡发生前的真彩色合成图像；（b）滑坡发生后的真彩色合成图像；（c）人工识别标签；（d）STANet (BASE)识别滑坡结果图；（e）STANet (BAM)识别滑坡结果图；（f）STANet (PAM)识别滑坡结果图；（g）SNUNet识别滑坡结果图。红色区域为重点比较区域
论文信息：
Amankwah, S.O.Y., Wang, G., Gnyawali, K. et al. Landslide detection from bitemporal satellite imagery using attention-based deep neural networks. Landslides (2022).
链接地址：https://doi.org/10.1007/s10346-022-01915-6