C-T Net:融合CNN和Transformer的遥感图像变化检测模型

摘要

双时相遥感图像由于拍摄时间、角度和传感器等因素会产生各种伪变化,同时存在一些不感兴趣的变化,变化的位置通常与周边其他物体相关,采用全卷积神经网络会丢失长程信息.针对这一问题,提出了一种融合CNN（Convolutional Neural Networks）和Transformer的网络（C-T Net）模型.整体网络结构分为深度特征提取部分和检测头部分:网络主干部分将CNN和Swin Transformer相结合,设计融合模块Cto-T、T-to-C以聚合信息;检测头部分利用Transformer编码、解码,获得精细化的特征图以进行变化区域的判别.与多个变化检测模型相比,在LEVIR-CD数据集和WHU-CD数据集上F1＿1（90.63%、86.24%）和p_IoU＿1（82.87%、75.81%）均为最高,在两个数据集上的结果表明,无论是可视化结果还是数据指标,与现有的方法相比,该模型具有一定的优越性.

关键词

多时相 / 变化检测 / 卷积神经网络 / 转换器 / 特征融合