DDAM-Net:一个以差异为导向的多尺度注意力机制网络,用于检测耕地变化
Junbiao Feng1, Haikun Yu2, Xiaoping Lu1
1Key Laboratory of Spatio-Temporal Information and Ecological Restoration of Mines of Natural Resources of the People's Republic of China, Henan Polytechnic University, Jiaozuo 454003, China.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
这项研究引入了一种新方法,即差异导向多尺度注意力机制网络 (DDAM-Net),以准确检测农田变化. 通过更好地处理耕地类型内的变异,提高粮食安全监测,DDAM-Net改进了现有方法.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 农业科学 农业科学
背景情况:
- 耕地减少威胁着全球粮食安全.
- 现有的变化检测方法与耕地中的类内变化作斗争,导致不准确的结果.
- 改善耕地变化检测对于可持续农业和粮食安全至关重要.
研究的目的:
- 开发一个先进的变化检测网络 (DDAM-Net),专门用于识别农业土地变化.
- 解决当前方法在处理类内差异和在农田检测中特征损失方面的局限性.
- 为了提高粮食安全,提高耕地监测的准确性和可靠性.
主要方法:
- 提出了以差异为导向的多尺度注意力机制网络 (DDAM-Net) 用于农田变化检测.
- 利用特征提取模块从双时间图像中进行多尺度的特征提取.
- 引入差异增强融合模块 (DEFM),跨尺度聚合模块 (CAM) 和注意力改进模块 (ARM) 进行特征融合和优化.
主要成果:
- 在HN-CLCD数据集上,DDAM-Net获得了F1和79.27%和80.70%的精度得分.
- 一般化实验显示PX-CLCD (F1: 95.12%,精度:95.47%) 和SET-CLCD (F1: 72.40%,精度:77.59%) 数据集的高性能.
- 对比和废除研究证实了DDAM-Net在检测耕地变化方面的卓越性能和可靠性.
结论:
- DDAM-Net有效地克服了农田变化检测现有方法的局限性.
- 拟议的网络在不同数据集中表现出强大的性能和通用性.
- DDAM-Net提供了一种可靠的解决方案,用于监测农田变化,为粮食安全工作做出贡献.
