语义感知遥感变化检测与多尺度交叉注意力检测
Xingjian Zheng1, Xin Lin2, Linbo Qing3
1College of Design and Engineering, National University of Singapore, Singapore 119077, Singapore.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
本研究引入了一种新的深度学习模型,即多尺度交叉注意网络 (MSCANet),用于远程传感图像变化检测. 通过在不同尺度上更好地整合空间和语义特征,MSCANet提高了准确性,提高了复杂环境中的变化检测.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 遥感中的变化检测对于城市规划,灾害管理和土地利用分析至关重要.
- 传统方法难以准确地理解全球和本地特征,导致语义不准确.
- 在较旧的技术中,像素级分析往往忽略了关键的语义信息.
研究的目的:
- 提出一种新的深度学习模型,即多尺度交叉注意网络 (MSCANet),用于增强远程传感图像变化检测.
- 通过改进多尺度空间和语义特征的整合来解决现有方法的局限性.
- 为复杂和杂的遥感数据开发更强大,更准确的变化检测解决方案.
主要方法:
- 实施了多级特征提取策略,以捕获和融合各种空间分辨率的信息.
- 引入了交叉注意模块,以提高模型对比特时态图像之间的语义层面变化的理解.
- 利用卷积神经网络 (CNN) 作为拟议的MSCANet的基础架构.
主要成果:
- 在公共数据集 (LEVIR-CD,CDD,SYSU-CD) 上,MSCANet表现出了竞争力的表现,获得了高的F1分数 (例如,CDD上的96.19%).
- 该模型在CDD数据集上实现了92.67%的高交集在欧盟 (IoU) 上.
- 强度测试证实了该模型即使在输入退化,如高斯噪声等情况下也能够保持高精度.
结论:
- 拟议的MSCANet有效地整合了多个规模的空间和语义特征,以实现更准确和更连贯的变化检测.
- 该模型表现出改进的语义意识和稳定性,使其成为现实世界遥感应用的有希望的解决方案.
- 在变化检测方面,MSCANet提供了显著的进步,特别是在具有噪音和复杂性的具有挑战性的环境中.
