用于遥感图像变化检测的结构感知多尺度混合网络
摘要
近年来，卷积神经网络（CNN）凭借强大的特征表示能力在遥感图像变化检测领域取得了显著成就。然而，CNN在双时态图像远程依赖建模方面存在不足，导致对结构信息的识别性较差。与之不同，Transformer技术能够有效捕捉输入像素间的长距离依赖关系，有助于感知和推理图像中的结构信息。为解决现有变化检测方法在模型中难以兼顾全局和局部特征信息的问题，提出多尺度级联CNN-Transformer混合网络。该算法能够充分利用混合网络中的全局和局部语义信息，提升模型对变化对象结构-语义信息的感知能力，级联架构增强了不同尺度间的交互能力，使模型更易理解不同粒度特征的区别与联系。此外，本文还对不同尺度特征进行了权重调节，提升模型对多尺度信息的利用能力。所提方法在CDD和GZ-CD数据集上的F1分数分别达97.8%和87.1%。在两个标准数据集上的实验结果表明，所提方法能有效利用不同尺度特征信息，提升变化检测精度。
引用本文（GB/T 7714）
刘祺 Liu Qi, 曹林 Cao Lin, 田澍 Tian Shu, 等. 用于遥感图像变化检测的结构感知多尺度混合网络[J]. Laser & Optoelectronics Progress, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。