基于双任务约束的深度Siamese卷积网络模型的遥感图像变化检测

近年来，通过引入深度学习，建筑物变化检测方法取得了显著进展，但仍存在提取特征不够区分的问题，导致检测区域不完整和边界不规则。为了解决这一问题，我们提出了一种双任务约束的深度Siamese卷积网络（DTCDSCN）模型，该模型包含三个子网络：一个变化检测网络和两个语义分割网络。DTCDSCN可以同时完成变化检测和语义分割任务，有助于学习更具区分性的对象级特征并获得完整的建筑物变化检测图。此外，我们引入了双注意力模块（DAM），以利用通道和空间位置之间的相互依赖关系，从而提高特征表示能力。我们还改进了焦点损失函数以抑制样本不平衡问题。实验结果表明，在WHU建筑物数据集上，所提出的方法在精度、召回率、F1分数和交并比四个方面均表现出色，达到了当前最先进的性能水平。