Raum-Zeit-basierte Multi-Head Selbst-Attention zur Veränderungserkennung von Fernerkundungsbildern

Die auf neuralen Netzwerken basierende Methode zur Veränderungserkennung von Fernerkundungsbildern sieht sich unter hochauflösenden Bedingungen einer großen Menge an Bildstörungen und schweren Klassenungleichgewichtsproblemen gegenüber, was neue Herausforderungen für die Genauigkeit des Erkennungsnetzwerks mit sich bringt. In dieser Arbeit werden, um die Bildstörungen, die durch unterschiedliche Aufnahmewinkel und -zeiten verursacht werden, zu beheben, die Siamese-Strategie und der Multi-Head Selbst-Attention-Mechanismus verwendet, um die Bildunterschiede zwischen den dual-temporalen Bildern zu reduzieren und die inter-temporale Information umfassend auszunutzen. Zweitens wird ein erlernbares Multi-Teil-Feature-Lernmodul verwendet, um adaptiv Merkmale aus unterschiedlichen Skalen zu extrahieren, um umfassendere Merkmale zu erhalten. Schließlich wird eine gemischte Verlustfunktionstrategie verwendet, um sicherzustellen, dass das Netzwerk effektiv konvergiert und die nachteiligen Störungen einer großen Anzahl negativer Proben für das Netzwerk ausgeschlossen werden. Umfangreiche Experimente zeigen, dass unsere Methode zahlreiche Methoden auf den Datensätzen LEVIR-CD, WHU und DSIFN übertrifft.