基于局部-全局语义特征增强的遥感影像变化检测网络模型
尽管卷积神经网络(Convolutional Neural Network,CNN)已广泛应用于遥感影像变化检测任务,但CNN感受野有限,难以有效提取全局语义信息.针对上述问题,本文提出一种用于变化检测任务的端到端局部-全局特征增强的编-解码网络模型(Local-Global Feature Enhancement Network,LGE-Net).在编码部分,LGE-Net利用 CNN_ResNet34 骨干网络分别获得双时相遥感影像局部语义特征,级联后输入Locally Enhanced Transformer(LE-Transformer)结构捕获远距离语义依赖,提取深层全局语义特征.在解码部分,嵌入语义增强模块(Context Enhancement Module,CEM)连接解码特征与多尺度局部特征,实现变化对象的准确定位与分割.此外,针对LE-Transformer各分块内部以及相邻分块序列间缺乏局部信息交互问题,设计了局部特征增强前馈网络(Locally Enhanced Feed Forward Network,LEFFN).在LEVIR-CD和CDD变化检测数据集上的综合对比试验表明,本文提出LGE-Net模型取得的F1-score分别达到91.06%和94.78%,显著优于其他对比模型,可更加精准识别变化区域,进一步减少误检以及漏检率,且具有良好的泛化能力.
深度学习、变化检测、语义分割、注意力机制、Transformer、局部特征增强
25
TP391.9;TP273;TH865
国家自然科学基金;国家自然科学基金;江苏省省级大学生创新创业训练计划项目
2023-07-10(万方平台首次上网日期,不代表论文的发表时间)
共13页
625-637