基于CNN-Transformer融合网络的变化检测

尽管深度学习，尤其是卷积神经网络（CNN），已彻底革新了遥感（RS）变化检测（CD）技术，但现有方法常因忽视全局上下文信息以及变化学习不完整，而导致关键特征的遗漏。此外，Transformer网络在捕捉低层次细节方面表现不佳。为解决上述问题，RCTNet提出以下四项创新设计：\textbf{(1)} 采用早期融合主干网络，以尽早挖掘空间与时间特征；\textbf{(2)} 引入跨阶段聚合（Cross-Stage Aggregation, CSA）模块，增强时间维度的表征能力；\textbf{(3)} 设计多尺度特征融合（Multi-Scale Feature Fusion, MSF）模块，提升解码器阶段的特征提取丰富度；\textbf{(4)} 提出高效自解码注意力（Efficient Self-deciphering Attention, ESA）模块，利用Transformer机制同时捕获全局上下文信息与细粒度细节，从而实现高精度的变化检测。大量实验结果表明，RCTNet在性能上显著优于传统遥感图像变化检测方法，在检测精度与计算成本之间实现了更优的平衡。