基于FCA-EF模型的遥感图像变化检测方法

摘要

针对在遥感图像变化检测中数据量不足或标签图像精确度较低时，导致模型无法充分学习特征，影响检测精确度的问题，提出一个基于U-Net网络改进后的FCA-EF模型.该模型首先基于多头自注意力机制和前馈神经网络的Transformer模块建立编码层，通过长距离跳跃连接机制在编码层对数据全局特征进行提取，实现了不同层级之间的信息传递.其次，该模型以卷积神经网络（CNN）模块为骨干建立解码层，利用CNN模块的局部感知特性提取深层次局部特征，并通过长距离跳跃连接机制融合编码器所提取的全局特征，增强模型对细节的捕捉能力与变化检测的准确性.再次，针对标签图像表示信息不完整的问题提出一种新的标签填充与优化方法，并经过消融实验证明了其有效性.最后，结合FCA-EF模型与标签填充方法，在吉林一号卫星遥感图像的变化检测中取得了优异结果，在总体精确度、F₁得分、召回率、交并比等指标上与其他经典模型相比均有提升，有效提高了遥感图像变化检测的精确度.

关键词

遥感图像 / 变化检测 / FCA-EF模型 / 标签填充方法