基于密集混合注意力网络的遥感影像建筑物变化检测
摘要
针对现有的变化检测模型中存在的多尺度信息利用不充分、特征表达能力欠缺，以及伪变化抑制不足的问题，提出一种基于密集混合注意力网络（DHANet）的遥感影像建筑物变化检测方法。DHANet采用编码器-解码器架构，首先，在编码器中使用孪生残差网络提取不同时相的图像特征；其次，在编码器和解码器之间利用多尺度特征聚合模块有效融合不同层次特征，用于检测不同尺度的变化建筑物；然后，为了充分利用上下文信息、减少冗余特征干扰，使用混合注意力模块细化特征，生成更具判别性的特征；最后，为了进一步优化模型性能，引入深度监督的方式，在特征融合过程中生成多个阶段的变化预测图，累计加权得到总损失值。在LEVIR-CD和WHU-CD数据集上进行验证实验，结果表明：在LEVIR-CD和WHU-CD数据集上取得最高精度，F1值分别达到91.04%、89.36%，优于现有的主流变化检测方法。
引用本文（GB/T 7714）
田青林 Tian Qinglin, 陆冬华 Lu Donghua, 李瑶 Li Yao, 等. 基于密集混合注意力网络的遥感影像建筑物变化检测[J]. Acta Optica Sinica, 2025.
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。