基于交叉注意力机制的遥感图像变化检测结题报告.docVIP

基于交叉注意力机制的遥感图像变化检测结题报告

一、研究背景与问题提出

遥感图像变化检测作为遥感应用领域的核心技术之一，通过对比不同时相同一区域的遥感影像，能够精准识别地表覆盖、土地利用、生态环境等要素的时空演变规律，在资源监测、环境保护、灾害评估、智慧城市建设等众多领域具有不可替代的战略价值。随着卫星遥感技术的飞速发展，高分辨率、多光谱、多时相的遥感数据呈爆炸式增长，传统变化检测方法在处理复杂场景时逐渐暴露出诸多局限性。

传统变化检测方法主要分为基于像素、基于特征和基于深度学习三大类。基于像素的方法如差值法、比值法、主成分分析法等，仅依靠单个像素的光谱信息进行变化判断，极易受到光照差异、大气噪声、传感器误差等因素干扰，导致检测结果中存在大量虚警和漏检。基于特征的方法通过提取边缘、纹理、形状等手工特征进行变化分析，一定程度上提升了检测的鲁棒性，但手工特征的设计依赖于先验知识，难以适应复杂多变的地表场景。基于深度学习的方法尤其是卷积神经网络（CNN）的引入，为变化检测带来了突破性进展，如FCN、UNet等模型能够自动学习图像的深层特征，显著提升了检测精度。然而，CNN在处理遥感图像时仍存在固有缺陷：其一，卷积操作的局部感受野限制了模型对长距离依赖关系的捕捉能力，难以有效关联不同时相图像中语义相似但空间位置分离的变化区域；其二，传统CNN模型在融合双时相特征时多采用简单的拼接或逐元素相加