近期,信æ¯å¦é™¢é™ˆå¿—æ³Šæ•™æŽˆè¯¾é¢˜ç»„åœ¨é«˜åˆ†è¾¨çŽ‡é¥æ„Ÿå›¾åƒå˜åŒ–æ£€æµ‹ç ”ç©¶æ–¹é¢å–å¾—ç ”ç©¶è¿›å±•ï¼Œç ”ç©¶æˆæžœä»¥â€œA CNN-Transformer Network Combining CBAM for Change Detection in High-Resolution Remote Sensing Imagesâ€ä¸ºé¢˜ï¼Œåœ¨é¥æ„Ÿé¢†åŸŸTOP期刊《Remote Sensing》(二区TOP,IF=5.349)上å‘表。
饿„Ÿå›¾åƒå˜åŒ–检测是指从åŒä¸€åŒºåŸŸä¸åŒæ—¶é—´èŽ·å–çš„å¤šå¹…é¥æ„Ÿå›¾åƒä¸æå–å˜åŒ–区域的过程,这对于快速检测和准确了解地表å˜åŒ–具有é‡è¦çš„æ„ä¹‰ã€‚éšç€é¥æ„ŸæŠ€æœ¯çš„å‘å±•ï¼Œé¥æ„Ÿå›¾åƒçš„空间分辨率越æ¥è¶Šé«˜ï¼Œå›¾åƒä¸åŒ…å«çš„地物细节信æ¯ä¹Ÿè¶Šæ¥è¶Šå¤šï¼Œå…·æœ‰ç›¸åŒè¯ä¹‰æ¦‚念的物体在ä¸åŒæ—¶é—´ã€ä¸åŒç©ºé—´ä½ç½®ä¼šè¡¨çŽ°å‡ºä¸åŒçš„光谱特å¾ã€‚å› æ¤ï¼Œä¼ 统的å˜åŒ–检测手段,如基于åƒç´ çš„å˜åŒ–检测和基于对象的å˜åŒ–检测,都ä¸å†é€‚ç”¨äºŽé«˜åˆ†è¾¨çŽ‡é¥æ„Ÿå›¾åƒå˜åŒ–检测。
ç›®å‰åŸºäºŽæ·±åº¦å¦ä¹ çš„å˜åŒ–æ£€æµ‹æ–¹æ³•å¤§å¤šé€šè¿‡åœ¨ä¼ ç»Ÿå·ç§¯ç½‘络ä¸å¼•入注æ„力机制æ¥ç”Ÿæˆæ£€æµ‹ç»“果。然而,由于感å—野的é™åˆ¶ï¼ŒåŸºäºŽå·ç§¯çš„æ–¹æ³•æ— æ³•å……åˆ†å»ºæ¨¡å…¨å±€ä¸Šä¸‹æ–‡å’Œæ•æ‰é•¿ç¨‹ä¾èµ–å…³ç³»ï¼Œå› æ¤ï¼Œåœ¨åŒºåˆ†ä¼ªå˜åŒ–æ–¹é¢å˜åœ¨ä¸è¶³ã€‚Transformer具有高效的全局时空建模能力,有利于感兴趣å˜åŒ–的特å¾è¡¨ç¤ºã€‚然而,细节信æ¯çš„缺ä¹å¯èƒ½å¯¼è‡´Transformeræ— æ³•å‡†ç¡®å®šä½å˜åŒ–区域的边界。
针对上述问题,陈志泊教授团队设计了结åˆå·ç§¯ç¥žç»ç½‘络ã€Transformer和注æ„力机制的端到端网络模型CTCANet(图1ï¼‰è¿›è¡Œé«˜åˆ†è¾¨çŽ‡é¥æ„Ÿå›¾åƒå˜åŒ–检测,å‘表了利用å·ç§¯ç¥žç»ç½‘络和Transformerå®žçŽ°é«˜åˆ†è¾¨çŽ‡é¥æ„Ÿå›¾åƒå˜åŒ–检测的论文。为了获得æç¤ºæ„Ÿå…´è¶£å˜åŒ–的高级特å¾è¡¨ç¤ºï¼ŒCTCANet利用Tokenizerå°†å·ç§¯ç½‘络æå–çš„æ¯ä¸ªå›¾åƒçš„特å¾åµŒå…¥åˆ°è¯ä¹‰æ ‡è®°åºåˆ—ä¸ï¼Œå¹¶åˆ©ç”¨Transformer模å—åœ¨æ ‡è®°ç©ºé—´ä¸å»ºæ¨¡å…¨å±€æ—¶ç©ºä¸Šä¸‹æ–‡ã€‚éšåŽï¼Œé‡æž„çš„åŒ…å«æ·±åº¦æŠ½è±¡ä¿¡æ¯çš„特å¾è¢«ä¼ é€åˆ°çº§è”è§£ç å™¨ï¼Œä¸ŽåŒ…å«æµ…细粒度信æ¯çš„特å¾èžåˆã€‚è¿™æ ·çš„èžåˆä½¿æ¨¡åž‹èƒ½å¤Ÿä¿æŒå˜åŒ–区域的完整性并准确地定ä½å°ç›®æ ‡ã€‚æ¤å¤–,å·ç§¯å—æ³¨æ„æ¨¡å—的集æˆå¯ä»¥å¹³æ»‘异构特å¾ä¹‹é—´çš„è¯ä¹‰å·®è·ï¼Œå¹¶å¼ºè°ƒé€šé“和空间域的相关å˜åŒ–,从而æé«˜æ£€æµ‹çš„准确性。在两个å¯å…¬å¼€è®¿é—®çš„æ•°æ®é›†LEVIR-CDå’ŒSYSU-CDä¸Šçš„å®žéªŒç»“æžœè¯æ˜Žï¼Œæ‰€æå‡ºçš„CTCANet性能超过了近期最先进的方法。
图1 CTCANet网络结构图
上述论文第一作者为信æ¯å¦é™¢2021çº§ç¡•å£«ç ”ç©¶ç”Ÿå°¹æœ¦æœ¦ï¼Œé€šè®¯ä½œè€…ä¸ºé™ˆå¿—æ³Šæ•™æŽˆï¼ŒåŒ—äº¬æž—ä¸šå¤§å¦ä¸ºå”¯ä¸€å®Œæˆå•ä½ã€‚è¯¥ç ”ç©¶å—到国家林业和è‰åŽŸå±€é¡¹ç›®â€œæž—è‰ç§‘技推广APPä¿¡æ¯æœåŠ¡â€ï¼ˆ2021133108)的资助。
æ’°ç¨¿äººï¼šå¾æ™ºé¢–ã€å°¹æœ¦æœ¦
审稿人:陈志泊ã€è®¸ç¦