Detectar áreas donde podría ocurrir un deslizamiento de tierra o un deslizamiento de barro es crítico para la respuesta de emergencia, la recuperación de desastres y la estimación de costos de desastres. Trabajos anteriores han informado que una variedad de redes neuronales convolucionales (CNN) superan significativamente a los enfoques tradicionales para la detección de deslizamientos de tierra/deslizamientos de barro. Estos enfoques siempre consideran características de la ventana local y la información del vecindario. Las CNN se centran principalmente en las características derivadas a una escala local, lo que podría ser ineficiente para reconocer escenas complejas de deslizamientos de tierra y deslizamientos de barro. Para identificar de manera efectiva los riesgos de deslizamientos de tierra y deslizamientos de barro a escala local y global, este artículo integra atenciones en la arquitectura de las CNN de última generación, incluyendo Faster RCNN, para desarrollar una red de propuestas de región mejorada por atención para la detección de deslizamientos de tierra/deslizamientos de barro a múltiples escalas. En detalle, empleamos las atenciones para procesar las propuestas de región generadas por una red de propuestas de región y luego combinamos los resultados obtenidos de las atenciones y la red de propuestas de región para identificar si el objeto incluido en una propuesta de región era un deslizamiento de tierra/deslizamiento de barro. Basado en nuestro conjunto de datos desarrollado y el conjunto de datos de Bijie, los resultados experimentales demuestran que: (1) aunque las CNN de última generación para la detección de objetos pueden detectar con precisión deslizamientos de tierra y deslizamientos de barro, son inadecuadas para lidiar con la similitud con regiones no deslizantes/no deslizantes de barro; y (2) el método propuesto, que integra características globales de las capas de atención en características locales derivadas de las CNN, supera a las CNN no modificadas en la detección de no deslizamientos de tierra y no deslizamientos de barro. Nuestros hallazgos demuestran que las representaciones a escala local y global pueden ser significativas para una detección precisa de deslizamientos de tierra y deslizamientos de barro.