基于边缘引导和动态可变形Transformer的遥感图像变化检测

扫码查看

原文链接

万方数据
维普

中文摘要：卷积神经网络(Convolutional Neural Network,CNN)和Transformer的混合架构能够有效建模图像的局部与全局特征,已成为遥感图像变化检测任务的主流网络.然而这类网络仍面临着一些挑战.CNN分支中的卷积和池化运算通常会抑制遥感图像中的高频信息,降低目标边界的精度;此外,Transformer分支对图像像素进行等同长程依赖关系建模,忽略了变化目标的形状及语义关联信息,导致网络对变化目标特征的表达不足.为解决上述问题,提出了基于边缘引导和动态可变形Transformer的遥感图像变化检测网络.在CNN分支中设计了边缘信息引导模块,利用高频信息增强目标区域的边缘信息,从而改善变化目标的轮廓精度.同时设计了一种新颖的动态可变形Transformer,能够自适应地匹配形状不同的变化目标,选择与变化相关的特征建模长程依赖关系,以提高网络的特征表达能力.实验结果表明,提出的方法在三个公开数据集LEVIR-CD、CDD和DSIFN-CD上显著提高了检测精度,在变化目标的边界精度和内部完整性方面都明显优于当前的主流网络.

外文标题：Edge Guided and Dynamically Deformable Transformer Network for Remote Sensing Images Change Detection

外文关键词：

remote sensing imageschange detectionhigh-frequency informationedge informationdynamically deformable Transformer

作者：

雷涛、翟钰杰、许叶彤、王营博、公茂果

展开 >

作者单位：

陕西省人工智能联合实验室(陕西科技大学),陕西西安 710021

陕西科技大学电子信息与人工智能学院,陕西西安 710021

西安电子科技大学协同智能系统教育部重点实验室,陕西西安 710071

关键词：

遥感图像变化检测高频信息边缘信息动态可变形Transformer

基金：

国家自然科学基金国家自然科学基金陕西省杰出青年科学基金陕西省重点研发计划陕西省重点研发计划陕西省自然科学基础研究计划陕西省自然科学基础研究计划陕西省创新能力支撑计划

项目编号：

62271296622013342021JC-472022GY-4362021ZDLGY08-072022JQ-6342022JQ-0182020SS-03

出版年：

2024

DOI：

10.12263/DZXB.20230583

电子学报

中国电子学会

电子学报

CSTPCD北大核心

影响因子：1.237

ISSN：0372-2112

年,卷(期)：2024.52(1)

参考文献量43