结合Swin Transformer的多尺度遥感图像变化检测研究.pdfVIP

2024年10月图学学报October2024

第45卷第5期JOURNALOFGRAPHICSVol.45No.5

结合SwinTransformer的多尺度遥感

图像变化检测研究

1,21,2,31,21,2

刘丽，张起凡，白宇昂，黄凯烨

(1.华北电力大学计算机系，河北保定071051；

2.河北省能源电力知识计算重点实验室，河北保定071051；

3.中国科学院空天信息创新研究院，北京100080)

摘要：由于地物信息的复杂性及变化检测数据的多元性，遥感图像特征提取的充分性和有效性难以得到

保证，导致变化检测方法获取的检测结果可靠性较低。虽然卷积神经网络(CNN)凭借有效提取语义特征的优势，

被广泛应用于遥感领域的变化检测之中，但卷积操作固有的局部性导致感受野受限，无法捕获时空上的全局信息

以至于特征空间对中远距离依赖关系的建模受限。为捕获远距离的语义依赖，提取深层全局语义特征，设计了一

种基于SwinTransformer的多尺度特征融合网络SwinChangeNet。首先，SwinChangeNet采用孪生的多级Swin

Transformer特征编码器进行远距离上下文建模；其次，编码器中引入特征差异提取模块，计算不同尺度下变化前

后的多级特征差异，再通过自适应融合层将多尺度特征图进行融合；最后，引入残差连接和通道注意力机制对融

合后的特征信息进行解码，从而生成完整准确的变化图。在CDD和CD_Data_GZ2个公开数据集上分别与7种

经典和前沿变化检测方法进行比较，CDD数据集中本文模型的性能最优，相比于性能第二的模型，F1分数提高

了1.11%，精确率提高了2.38%。CD_Data_GZ数据集中本文模型的性能最优，相比于性能第二的模型，F1分数、

精确率和召回率分别提高了4.78%，4.32%，4.09%，提升幅度较大。对比实验结果证明了该模型具有更好的检测

效果。在消融实验中也证实了模型中各个改进模块的稳定性和有效性。本文模型针对遥感图像变化检测任务，引

入了SwinTransformer结构，使网络可以对遥感图像的局部特征和全局特征进行更有效地编码，让检测结果更加

准确，同时保证网络在地物要素种类繁多的数据集上容易收敛。

关键词：变化检测；孪生网络；SwinTransformer；多尺度特征融合；注意力机制；特征差异提取

中图分类号：TP751DOI：10.11996/JG.j.2095-302X.2024050941

文献标识码：A文章编号：2095-302X(2024)05-0941-16

Researchonmulti-scaleremotesensingimagechangedetection