增强的混合CNN和变压器网络用于遥感图像变化检测检测

科学领域:

• 地质科学和遥感技术
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 远程传感 (RS) 变化检测至关重要,但由于虚假阴性结果,它面临着高成本的挑战.
• 现有的方法在提高精度和专注于特定变化方面扎,导致错过检测和不连续性.

研究的目的:

• 开发一个增强的混合网络 (EHCTNet),以改进RS变化检测.
• 解决关注利益变化的局限性,减少虚假负面和不连续性问题.
• 增强特征学习和整合频率组件,以促进回忆.

主要方法:

• 提出了对卷积神经网络 (CNN) 和变压器网络 (EHCTNet) 的增强混合体.
• 采用双分支特征提取模块用于多尺度RS图像特征.
• 集成的频率组件使用精细的模块和基于科尔摩戈罗夫-阿诺德网络的增强代币挖掘模块.

主要成果:

• 在RS图像中,EHCTNet有效地挖掘出对RS图像感兴趣的复杂变化信息.
• 在检测完整和持续变化的区域方面,在最先进的模型中表现出优越的性能.
• 与现有方法相比,实现了更准确的邻近区分.

结论:

• EHCTNet显著增强了功能学习和频率组件集成,用于RS变化检测.
• 提出的方法有效地减少了假阴性,并提高了检测到的变化的连续性和准确性.
• EHCTNet提供了一个有前途的解决方案,用于具有成本效益和精确的远程传感变化分析.