一个罗的Swin-Unet用于图像变化检测

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 地理空间分析是什么

背景情况:

• 遥感中的变化检测对于土地规划,农业和灾害监测至关重要.
• 深度学习,特别是卷积神经网络 (CNN),已经推进了变化检测,但由于CNN的本地重点,它在全球语义信息方面扎.
• 视觉转换器为捕捉全球背景提供了潜力,激发了新的网络架构.

研究的目的:

• 提出Siam-Swin-Unet,一种新的语U-Net架构,利用Swin变压器进行增强的远程传感图像变化检测.
• 为了解决CNN在捕获远程传感数据中的远程依赖性方面的局限性.
• 开发一种高效有效的模型,用于识别双时遥感图像之间的变化.

主要方法:

• 设计了一个语U-Net架构 (Siam-Swin-Unet),集成Swin变压器用于层次特征提取.
• 该网络处理双时遥感图像,以学习本地和全球语义特征.
• 开发了定制功能融合模块,以有效地合并来自两个时间点的信息.

主要成果:

• 在CDD数据集上,Siam-Swin-Unet模型在季节变化的变化检测方面获得了高F1得分94.67%.
• 实验结果证实了拟议的功能融合模块的效率和低计算要求.
• 该网络在捕获本地和全球语义特征以检测变化方面表现出卓越的性能.

结论:

• Siam-Swin-Unet通过利用变压器和U-Net架构的优势,为远程传感图像变化检测提供了一种强大的新方法.
• 拟议的模型有效地克服了传统CNN在捕捉全球背景方面的局限性.
• 该方法对各种应用具有显著的前景,需要从遥感数据准确监测环境变化.