شبكة تعاونية مساحية-طيفية خفيفة جدًا للكشف عن التغير في صور الاستشعار عن بعد

أحرزت الشبكات العصبية التلافيفية العميقة (CNNs) تقدماً كبيراً في كشف التغيرات في الصور المستشعرة عن بعد (CD)، لكنها ما زالت تعاني من مشكلتين رئيسيتين. أولاً، غالبًا ما تستخدم طرق دمج الميزات متعددة المقاييس الحالية استراتيجيات استخراج ودمج ميزات متكررة، مما يؤدي إلى تكاليف حسابية عالية واستهلاك كبير للذاكرة. ثانيًا، يصعب على آلية الانتباه التقليدية في CD نمذجة الميزات المكانية-الطيفية وتحقيق أوزان انتباه ثلاثية الأبعاد في آن واحد، مما يؤدي إلى تجاهل التعاون بين الميزات المكانية والطيفية. ولحل هذه المشكلات، تم اقتراح شبكة فعالة جدًا وخفيفة للغاية للتعاون بين الميزات المكانية-الطيفية (USSFC-Net) للكشف عن التغيرات في هذا المقال. تتميز الشبكة المقترحة USSFC-Net بمحورين رئيسيين. أولاً، تم تصميم عملية تلافيفية متعددة المقاييس منفصلة (MSDConv)، والتي تختلف بشكل واضح عن وحدة التجميع الهرمي المكاني المُتفرّع (ASPP) ومشتقاتها، حيث يمكنها التقاط الميزات متعددة المقاييس للأجسام المتغيرة بمرن باستخدام التلافيف المتعدد المقاييس الدوري. وفي الوقت نفسه، يساهم التصميم الخاص بـ MSDConv في تقليل كبير في عدد المعلمات والازدواجية الحسابية. ثانيًا، تم إدخال استراتيجية فعالة للتعاون بين الميزات المكانية-الطيفية (SSFC) للحصول على ميزات أكثر غنىً. تختلف استراتيجية SSFC عن آليات الانتباه ثنائية الأبعاد الحالية لأنها تتعلم أوزان انتباه مكانية-طيفية ثلاثية الأبعاد دون إضافة أي معلمات. أظهرت التجارب على ثلاث مجموعات بيانات للكشف عن التغيرات في الصور المستشعرة عن بعد أن الشبكة المقترحة USSFC-Net تحقق دقة كشف تغيرات أفضل مقارنةً بمعظم الطرق القائمة على CNNs، مع استهلاك أقل للحسابات والعدد الأقل من المعلمات، حتى أنها تتفوق على بعض الطرق القائمة على المُحولات (Transformers). يمكن الوصول إلى الكود عبر الرابط: https://github.com/SUST-reynole/USSFC-Net.