集成CNN和Transformer的通道交互多层级融合变化检测

作     者：邵攀 石卫超 秦道龙 张晓东 董婷 管宗胜 SHAO Pan;SHI Weichao;QIN Daolong;ZHANG Xiaodong;DONG Ting;GUAN Zongsheng

作者机构：三峡大学水电工程智能视觉监测湖北省重点实验室湖北宜昌443002 三峡大学计算机与信息学院湖北宜昌443002 武汉大学测绘遥感信息工程国家重点实验室武汉430079 

出 版 物：《测绘科学》 (Science of Surveying and Mapping)

年 卷 期：2024年第49卷第5期

页      面：110-121页

核心收录：

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 

基　　金：国家自然科学基金项目(41901341) 湖北省自然科学基金项目(2024AFB867) 

主　　题：遥感变化检测 CNN Transformer 通道交互多层级融合 金字塔时空交叉注意力 边界区域增强 

摘      要：为有效集成卷积神经网络的局部性和Transformer的全局性,提出一种全新的通道交互多层级融合变化检测网络CIMLFNet。以CNN和Transformer为基础,设计一种三通道特征提取器,以充分提取两期影像的时空特征;构建一种金字塔时空交叉注意力模块,利用通道2提取的特征增强通道1和3提取的特征,突出变化信息;提出一种双分支通道交互多层级融合模块,分别从层级优先和通道优先的角度对增强的特征进行融合,以充分利用CNN和Transformer的优势和互补性;给出一种简单有效的边界区域增强分类器。在WHU、Google、GVLM和LEVIR等4组公开变化检测数据上,CIMLFNet的F_(1)/IoU值分别达到91.19%/83.80%、85.97%/75.40%、88.85%/79.94%和90.07%/81.94%,明显优于6组对比方法,验证了CIMLFNet的有效性。