DASNet：用于高分辨率卫星图像变化检测的双注意全卷积孪生网络

变化检测是遥感图像处理的基本任务。研究目标是识别感兴趣的变更信息，并将无关的变更信息作为干扰因素进行过滤。近年来，深度学习的兴起为变化检测提供了新的工具，这些工具已经取得了令人印象深刻的结果。然而，现有的方法主要集中在多时相遥感图像之间的差异信息上，对伪变化信息缺乏鲁棒性。为了克服当前方法对伪变化的抗性不足问题，本文提出了一种新的方法——双注意全卷积Siamese网络（DASNet），用于高分辨率图像中的变化检测。通过双注意机制，捕获长程依赖关系以获得更具判别性的特征表示，从而增强模型的识别性能。此外，样本不平衡是变化检测中的一个严重问题，即未发生变化的样本远多于已发生变化的样本，这是导致伪变化的主要原因之一。我们提出了加权双重边缘对比损失来解决这一问题，通过对未发生变化特征对的关注进行惩罚并增加对已发生变化特征对的关注。我们的方法在变化检测数据集（CDD）和建筑物变化检测数据集（BCDD）上的实验结果表明，与其它基线方法相比，所提方法分别在F1分数上实现了最大2.1%和3.6%的提升。我们的PyTorch实现代码可在https://github.com/lehaifeng/DASNet 获取。