基于多边特征引导聚合网络的变化检测算法

• Published in: 计算机工程与应用 Vol. 61; no. 3; pp. 264 - 274
• Main Authors: 冯星宇, 朱灵龙, 张永宏, 阚希, 曹海啸, 马光义
• Format: Journal Article
• Language: Chinese
• Published: 南京信息工程大学江苏省大气环境与装备技术协同创新中心,南京 210044%无锡学院 物联网工程学院,江苏 无锡 214105%南京信息工程大学江苏省大气环境与装备技术协同创新中心,南京 210044 01.02.2025; 无锡学院 物联网工程学院,江苏 无锡 214105; 南京信息工程大学自动化学院,南京 210044%无锡学院 物联网工程学院,江苏 无锡 214105; 南京信息工程大学江苏省大气环境与装备技术协同创新中心,南京 210044%南京信息工程大学自动化学院,南京 210044
• Subjects: 遥感图像; 卷积神经网络; Transformer; convolutional neural network; 变化检测; 特征聚合; change detection; feature aggregation; remote sensing images
• ISSN: 1002-8331
• DOI: 10.3778/j.issn.1002-8331.2401-0213

TP391.4%X705; 现有的遥感图像变化检测方法主要依赖卷积神经网络(convolutional neural network,CNN)或Transformer进行构建,但这些方法通常未能充分平衡这两种技术的优缺点,并且往往没有专门针对变化检测的任务特性(对变化区域特征信息进行提取学习)进行优化设计.针对这一问题,充分利用了 Transformer的全局信息处理能力和CNN的局部信息捕获能力,提出了一种充分结合两者各自优势并由多条支路组成的多边特征引导聚合网络模型,该模型通过基于Transformer的主网络来对图像的全局信息进行提取,通过设计的基于CNN的多尺度特征提取模块来对图像的局部信息进行提取,通过特征聚合网络将图像的全局信息分别与变化和未变化区域信息进行聚合后输出得到预测结果图.为了验证模型的有效性,构建了一个包含多种地表覆盖类型,涵盖不同季节的新的遥感图像变化检测数据集.同时在实验部分也利用两个公开数据集来进一步验证了模型的泛化性和鲁棒性.实验结果表明,与现有先进方法相比,所提算法在三个数据集上的平均交并比(mean intersection over union,MIoU)指标分别提高了0.83、0.71、0.7 个百分点.