基于深度特征增强和渐进变化预测的双时相遥感影像变化检测

摘要： 本文提出了一种新的基于深度学习的双时相遥感影像变化检测框架。如图1所示，该框架主要包括三个关键组件：Siamese特征提取 (SFE)、深度特征增强 (DFE) 和渐进变化预测 (PCP)。

1. Siamese特征提取 (SFE)

SFE模块以两幅双时相遥感影像作为输入，并使用两个共享权重的Swin Transformer网络分别提取多层次的视觉特征。共享权重的设计可以帮助网络学习到更鲁棒的特征表示，从而提高模型的泛化能力。

2. 深度特征增强 (DFE)

DFE模块利用SFE模块提取的多层次视觉特征，生成包含丰富时序信息的求和特征和差异特征。这些特征能够有效地突出变化区域，为后续的变化检测提供更精准的信息。

3. 渐进变化预测 (PCP)

PCP模块整合了SFE和DFE模块提取的所有特征，并引入了一个搭载了渐进注意力模块 (PAM) 的金字塔结构。金字塔结构可以融合不同尺度的特征信息，而PAM模块则可以引导网络更加关注变化区域，从而实现更精准的变化预测。

4. 模型训练

为了训练该框架，我们采用了深度监督学习策略，并在每个特征级别上使用多个边界感知损失函数。这种训练策略可以有效地提升模型对变化区域边界的敏感性，从而进一步提高变化检测的精度。

5. 结论

本文提出的框架通过Siamese特征提取、深度特征增强和渐进变化预测，能够有效地检测出双时相遥感影像中的变化区域。实验结果表明，该框架在变化检测精度方面相较于现有方法具有显著优势。

关键词： 变化检测，遥感影像，深度学习，Siamese网络，Swin Transformer，注意力机制，金字塔结构