STCD: método eficiente de detección de cambios basado en transformadores siameses para imágenes de teledetección

La Detección de Cambios (CD) en teledetección implica identificar regiones de interés en cambio en imágenes de teledetección bi-temporales. La tecnología CD se ha desarrollado rápidamente en los últimos años gracias a la poderosa capacidad de aprendizaje de las Redes Neuronales Convolucionales (CNN), facilitando la extracción de características complejas. Sin embargo, los campos receptivos locales en la CNN limitan el modelado de relaciones contextuales de largo alcance en cambios semánticos. Por lo tanto, este trabajo explora el gran potencial de los Transformadores Siamés en tareas de CD y propone un modelo general de CD titulado STCD que se basa en los Transformadores Swin. En el proceso de codificación, se utilizan Transformadores puros sin CNN para modelar el contexto a largo alcance de los tokens semánticos, reduciendo la sobrecarga computacional y mejorando la eficiencia del modelo en comparación con los métodos actuales. Durante el proceso de decodificación, el bloque de convolución 3D obtiene las características cambiantes en la serie temporal y genera el mapa de cambio predicho en la capa de deconvolución con atención axial. Experimentos extensos en tres conjuntos de datos binarios de CD y un conjunto de datos semántico de CD demuestran que el modelo STCD propuesto supera varios métodos de referencia populares considerando el rendimiento y los parámetros requeridos. Entre las variantes de STCD, el F1-Score del Base-STCD en los tres conjuntos de datos binarios de CD LEVIR, DSIFN y SVCD alcanzó el 89.85%, 54.72% y 93.75%, respectivamente, y el mF1-Score y mIoU en el conjunto de datos semántico de CD SECOND fueron 75.60% y 66.19%.