CINet:一个基于约束和交互的网络,用于远程传感变化检测
Geng Wei1, Bingxian Shi1, Cheng Wang2
1School of Physics and Electronics, Nanning Normal University, Nanning 530100, China.
Sensors (Basel, Switzerland)
|January 11, 2025
概括
一个新的深度学习网络CINet通过使用约束机制和跨空间道注意力来改进远程传感变化检测 (RSCD). 这种方法增强了特征提取,以更准确地识别地球观测数据中的变化.
科学领域:
- 地球观测科学 地球观测科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 遥感变化检测 (RSCD) 对于地球观测至关重要.
- 现有的深度学习模型在有效的特征提取和双时间图像之间的交互方面扎.
研究的目的:
- 提出一个新的网络,CINet,改进RSCD.
- 增强变更信息的提取和功能地图交互.
主要方法:
- 引入了一个约束机制,以指导网络培训,以便在不变的地区更好地保持一致性,并在变化的地区实现差异化.
- 开发了一个跨空间通道注意力 (CSCA) 模块,用于双时态图像之间的多层次特征交互.
主要成果:
- 在六个基准数据集中,CINet获得了最高的F1得分,LEVIR-CD数据集的最高得分为92.00.
- 在各种实际的遥感场景中表现优于先进的并行方法.
结论:
- 在远程传感变化检测方面,CINet表现出卓越的性能.
- 拟议的约束增强和CSCA模块对于准确的变化检测是有效和可行的.


