SARCDNet - - 一个增强的深度学习网络,用于从双时间SAR图像中检测变化
Vibha Damodara Kevala1, Vishal Mukundan1, Sravya Nedungatt1
1Department of Electronics and Communication Engineering, National Institute of Technology Karnataka,Surathkal, Mangaluru, 575025, India.
Scientific reports
|December 31, 2025
概括
一个新的深度学习模型,SARCDNet,增强了合成孔径雷达 (SAR) 图像的变化检测. 这种方法通过减少斑点噪声和整合空间频率特征来提高诸如洪水监测等应用的准确性.
科学领域:
- 遥感 遥感 遥感 遥感
- 地质科学是地球科学.
- 人工智能的人工智能
背景情况:
- 变化检测分析对于使用微波遥感来监测地球表面至关重要.
- 双时间合成孔径雷达 (SAR) 成像提供全天候,昼夜功能,优于云层和日光所挑战的光学方法.
- 来自Sentinel-1等卫星的SAR数据的进步推动了变化检测研究.
研究的目的:
- 引入SARCDNet (SAR变化检测网络),这是一个增强的深度学习模型,用于检测双时间SAR图像中的变化.
- 提高变化检测的准确性和效率,特别是在易产生斑点噪声的环境中.
主要方法:
- 开发了SARCDNet,这是一个集成自适应融合块的深度学习网络.
- 适应性融合块集成了频域中的适应性全球过和通道注意力机制.
- 该模型利用空间和频域信息来提取和增强相关特征.
主要成果:
- 在公开数据集 (黄河,农田) 上,SARCDNet 显示出已知高斑点噪声的性能改善.
- 该模型在查湖数据集上的洪水变化检测方面取得了显著的性能增长,包括F1得分增加了4.26%.
- SARCDNet有效地减轻了斑点噪声,提高了预测准确性和计算效率.
结论:
- 在深度学习中,SARCDNet代表了对SAR图像变化检测的重大进步.
- 该型号的自适应融合块增强了功能相关性和对噪声的稳定性.
- 在环境监测,应对灾害和城市规划方面,SARCDNet具有很大的应用潜力.
