.png){kind=icon}
返回
Remote sensing image change detection method based on dual-branch multi-level feature difference interactive learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06728-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
遥感（RS）图像变化检测（CD）是环境监测和地理信息系统（GIS）领域的一项关键技术。它可以揭示地表特征的动态变化，在城市规划、灾害评估和生态研究等领域具有重要意义。然而，伪变化问题，即由非实际地表变化引起的图像差异，常常影响检测精度，导致误报和漏检，从而限制了CD技术的有效性。传统的双分支CD方法通常侧重于基础特征提取。该方法独立处理双时相的特征提取，缺乏对双时相特征的比较交互学习过程，从而削弱了其在复杂环境中识别伪变化的能力。为解决上述问题，我们提出了一种基于双分支多级特征差异交互学习（DMFDIL）的RS图像CD方法。该模型基于深度学习的孪生卷积神经网络（CNN）构建，包括三个部分：双分支协同编码模块（DCM）、双分支差异解码模块（DDDM）和变化输出模块（COM）。其中，DCM创新性地引入了三注意力机制。通过该机制，模型能够有效交互多级特征，增强捕捉RS图像中细微变化的能力，特别是在区分真实变化与伪变化方面。而DDDM则专注于通过识别真实变化与伪变化并整合不同尺度的特征信息，进一步优化模型的检测能力。最后，在三个公开数据集上进行了验证，结果优于其他流行方法。LEVIR-CD数据集上的实验结果表明，所提出的DMFDIL模型在精度（Pre）上达到95.80%，召回率（Rec）为94.54%，F1分数（F1）为95.16%，交并比（IoU）为91.10%，总体准确率（OA）为99.07%，显著优于当前最优（SOTA）方法。该方法为RS图像CD领域提供了一种新的技术途径，特别是在提高检测精度和处理伪变化问题方面，具有重要的应用价值与广阔的应用前景。
Keyword:
Change detection (CD)
Remote sensing (RS)
Siamese networks
Tri-attention mechanism
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
HFA-Net: High frequency attention siamese network for building change detection in VHR remote sensing images.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏CLNet: Cross-layer convolutional neural network for change detection in optical remote sensing imageryCLNet: 用于光学遥感影像变化检测的跨层卷积神经网络
PREAI
分享收藏Change Detection From Synthetic Aperture Radar Images via Graph-Based Knowledge Supplement Network
OAAI
OAAI分享收藏AMFNet: Attention-Guided Multi-Scale Fusion Network for Bi-Temporal Change Detection in Remote Sensing ImagesAMFNet：用于遥感图像双时相变化检测的注意力引导多尺度融合网络OAAI
OAAI分享收藏A multi-objective segmentation method for chest X-rays based on collaborative learning from multiple partially annotated datasets基于协同学习的多部分标注胸片多目标分割方法INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏Building Change Detection for Remote Sensing Images Using a Dual-Task Constrained Deep Siamese Convolutional Network Model基于双任务约束深度暹罗卷积网络模型的遥感影像建筑物变化检测
OAAI
OAAI分享收藏Spatiotemporal Enhancement and Interlevel Fusion Network for Remote Sensing Images Change Detection用于遥感图像变化检测的时空增强和级间融合网络
PREAI
分享收藏
查看更多内容