基于尺度感知与空间选择层级交互的遥感影像变化检测

目前,深度学习遥感影像变化检测方法在处理尺度变化显著影像时效果仍不够理想,且多数方法在解码阶段缺乏不同层级特征之间的有效交互。针对上述问题,文章以经典U-net网络为基础,提出一种基于尺度感知与空间选择层级交互的高分辨率遥感影像变化检测方法。首先,通过分块并行不同大小的深度可分离卷积提取特征后引入通道注意力,设计一种尺度感知模块,以便有效提取不同形状尺度的变化对象;然后利用空间注意力交叉增强浅层特征与深层特征,提出一种空间选择层级交互模块,细化特征的表征能力;最后,基于两期遥感影像的差异图给出一种差异多尺度注意力模块,来突出变化信息,并抑制未变化信息。文章所提出的方法在WHU、Google、LEVIR和GVLM四个公开数据集上的精确率和召回率的调和平均数(F_(1)值)分别达到91.72%、85.17%、90.82%和88.03%,相比于现有的FC-EF、FC-Conc、IFN、SNUNet、BIT和MSCANet等6种对比变化检测网络,F_(1)值得到显著提升。