DASNet: شبكات سيامية انتباهية ثنائية بالكامل للتحويلات الشاملة لاكتشاف التغيرات في الصور القمرية ذات الدقة العالية

كشف التغيير هو مهمة أساسية في معالجة صور الاستشعار عن بعد. الهدف من البحث هو تحديد معلومات التغيير ذات الاهتمام وتصفية المعلومات غير ذات الصلة بالتغيير كعوامل إزعاج. مؤخرًا، قدّمت ظهور التعلم العميق أدوات جديدة لكشف التغيير، والتي حققت نتائج مثيرة للإعجاب. ومع ذلك، تركز الأساليب المتاحة بشكل أساسي على المعلومات الفارقة بين الصور متعددة الأزمنة للاستشعار عن بعد وتفتقر إلى القوة في التعامل مع المعلومات المزيفة للتغيير.للتغلب على نقص مقاومة الأساليب الحالية للمعلومات المزيفة للتغيير، نقترح في هذا البحث طريقة جديدة تُسمى شبكات سيامية ثنائية الانتباه بالكامل (DASNet) لكشف التغيير في الصور عالية الدقة. من خلال آلية الانتباه الثنائية، يتم التقاط الاعتمادات طويلة المدى للحصول على تمثيلات ميزات أكثر تمييزًا لتعزيز أداء التعرف على النموذج. بالإضافة إلى ذلك، تعد مشكلة العينات غير المتوازنة مشكلة خطيرة في كشف التغيير، حيث تكون العينات الغير متغيرة أكثر بكثير من العينات المتغيرة، وهي واحدة من الأسباب الرئيسية التي تؤدي إلى حدوث المعلومات المزيفة للتغيير. اقترحنا خسارة تباينية ثنائية الهامش مع وزن لمعالجة هذه المشكلة عبر عقوبة التركيز على أزواج الميزات الغير متغيرة وزيادة التركيز على أزواج الميزات المتغيرة.تظهر نتائج التجارب لطريقتنا على مجموعة بيانات كشف التغيير (CDD) ومجموعة بيانات كشف التغيير في المباني (BCDD) أن الطريقة المقترحة تحقق تحسينات قصوى بنسبة 2.1٪ و3.6٪ على التوالي في درجة F1 مقارنة بالأساليب الأساسية الأخرى. يمكن الوصول إلى تنفيذنا باستخدام Pytorch من خلال الرابط: https://github.com/lehaifeng/DASNet.