基于全Transformer网络的遥感图像变化检测

摘要

近年来，随着深度学习的快速发展，遥感图像变化检测 (CD) 取得了显著进展。然而，现有方法通常难以生成完整的变化区域和规则的变化边界，这主要是由于提取的视觉特征表示能力有限。为了解决这些问题，本文提出了一种新颖的学习框架，称为全Transformer网络 (FTN)，用于遥感图像变化检测。FTN 能够从全局视角改进特征提取，并以金字塔的方式融合多级视觉特征。

具体来说，该框架首先利用 Transformer 在长距离依赖建模方面的优势。这有助于学习更具判别性的全局特征，从而获得完整的变化区域。其次，我们引入了一个金字塔结构，用于聚合 Transformer 中的多级视觉特征，以增强特征表示。该金字塔结构与渐进式注意力模块 (PAM) 相结合，可以通过通道注意力提供额外的相互依赖性，进一步提高特征表示能力。最后，为了更好地训练该框架，我们采用深度监督学习策略，并结合多个边界感知损失函数。

我们在四个公开的 CD 基准数据集上进行了大量实验，结果表明，我们提出的方法取得了新的最优性能。为了方便模型复现，源代码已在 https://github.com/AI-Zhpp/FTN 上发布。

关键词: 遥感图像，变化检测，深度学习，Transformer，全Transformer网络，FTN，金字塔结构，渐进式注意力模块，边界感知损失函数