摘要
遥感图像变化检测旨在识别同一区域在不同时相获取的图像之间的差异，广泛应用于土地管理、环境监测、灾害评估等领域。目前，大多数变化检测方法基于孪生网络结构或早期融合结构。孪生网络结构虽能有效提取不同时相下的目标特征，但对变化信息的关注不足，易导致误报和漏检；而早期融合（Early Fusion, EF）结构虽在多时相图像融合后提取特征，却忽视了不同时相下目标特征对细节变化检测的重要性，难以准确识别变化目标的边缘。为解决上述问题并提升检测精度，本文提出一种新型网络结构——三分支编码器UNet（Triplet UNet, T-UNet），该结构基于三分支编码器，能够通过三重编码器同步提取不同时相图像中的目标特征与变化特征。为实现三分支提取特征间的有效交互与融合，本文进一步设计了一种多分支空谱交叉注意力模块（Multi-Branch Spatial-Spectral Cross-Attention, MBSSCA）。在解码阶段，引入通道注意力机制（Channel Attention Mechanism, CAM）与空间注意力机制（Spatial Attention Mechanism, SAM），以充分挖掘浅层特征中的细粒度纹理信息，并融合深层特征中的语义定位信息，从而提升变化区域的定位精度与边界清晰度。