摘要
遥感图像包含丰富的地物信息,如何从中精准地识别出真正的语义变化区域仍是一个长期的挑战.针对上述问题,提出一种结合Transformer和多尺度异构融合模块(MAFM)的网络模型.首先利用MAFM在特征提取过程中整合不同层次的语义信息,为模型提供不同的感受野以丰富特征信息,增强模型对微小变化区域和复杂背景的感知能力.而后为了使模型充分利用双时相遥感图像间的依赖关系,使用语义概念提取器(SCE)将特征图语义化为符号集,并输入到Transformer编码器中进行上下文建模,将符号集通过解码器映射回原特征空间,得到含有丰富语义信息的特征图.最后将经过编解码的特征图输入到由简单卷积层组成的预测头进行变化区域预测,生成变化区域图.设计实验在LEVIR-CD数据集上对提出的网络模型性能进行评估,模型的F1 分数和交并比(IoU)分别达到90.71%和84.08%,相较于现有主流模型具有良好的变化区域检测能力.
国家科技期刊平台
NSTL
万方数据