شبكة تكامل CNN-Transformer للكشف عن التغير

رغم أن التعلم العميق، وبخاصة الشبكات العصبية التلافيفية (CNNs)، قد أحدث ثورة في كشف التغيرات في الاستشعار عن بعد (RS CD)، فإن النماذج الحالية غالبًا ما تفوت ميزات حاسمة بسبب إهمال السياق العالمي وتعلم التغيرات بشكل غير كامل. علاوةً على ذلك، تواجه شبكات التحول (transformer networks) صعوبات في التعامل مع التفاصيل على المستوى المنخفض. وتُعالج RCTNet هذه القيود من خلال تقديم ما يلي: \textbf{(1)} هيكل أساسي يعتمد على دمج مبكر لاستغلال الميزات المكانية والزمنية في مراحل مبكرة، \textbf{(2)} وحدة تجميع عبر المراحل (CSA) لتحسين التمثيل الزمني، \textbf{(3)} وحدة دمج الميزات متعددة المقاييس (MSF) لتعزيز استخلاص الميزات في الجزء الفكّار (decoder)، و\textbf{(4)} وحدة انتباه ذاتي فعّال (ESA) تستخدم شبكات التحول لالتقاط المعلومات الشاملة والتفاصيل الدقيقة بدقة، مما يُسهم في كشف التغيرات بدقة عالية. وأظهرت التجارب الواسعة تفوق RCTNet بوضوح على الطرق التقليدية لكشف التغيرات في صور الاستشعار عن بعد، مع ملاحظة تحسن ملحوظ وتحقيق توازن مثالي بين الدقة وتكلفة الحساب.