Ultraleichtgewichtiges räumlich-spektrales Merkmalskooperationsnetzwerk für die Änderungserkennung in Fernerkundungsbildern

Tief verbundene neuronale Netzwerke (CNNs) haben erheblichen Erfolg bei der Veränderungserkennung (Change Detection, CD) in Fernerkundungsbildern erzielt, leiden jedoch weiterhin unter zwei Hauptproblemen. Erstens verwenden die bestehenden Methoden zur Multiskalen-Feature-Fusion oft redundant ausgelegte Extraktions- und Fusionsstrategien, was häufig zu hohen Rechenkosten und großem Speicherverbrauch führt. Zweitens ist der herkömmliche Aufmerksamkeitsmechanismus in der CD ungeeignet, um gleichzeitig räumliche und spektrale Merkmale zu modellieren und 3D-Aufmerksamkeitsgewichte zu erzeugen, wodurch die Kooperation zwischen räumlichen und spektralen Merkmalen vernachlässigt wird. Um diese Probleme zu lösen, wird in diesem Artikel ein effizientes, ultraleichtes Netzwerk zur Kooperation räumlicher und spektraler Merkmale (USSFC-Net) für die CD vorgestellt. Das vorgeschlagene USSFC-Net weist zwei Hauptvorteile auf. Erstens wurde ein Multiskalen-Entkoppelungs-Convolution (MSDConv) entworfen, der sich deutlich von dem verbreiteten atrous spatial pyramid pooling (ASPP)-Modul und seinen Varianten unterscheidet, da er mithilfe einer zyklischen Multiskalen-Convolution flexibel die Multiskalenmerkmale veränderter Objekte erfassen kann. Gleichzeitig reduziert die Architektur von MSDConv erheblich die Anzahl der Parameter und rechnerische Redundanz. Zweitens wird eine effiziente Strategie zur Kooperation räumlicher und spektraler Merkmale (SSFC) eingeführt, um reichhaltigere Merkmale zu erzielen. Im Gegensatz zu den bestehenden 2D-Aufmerksamkeitsmechanismen lernt die SSFC-Strategie 3D-räumlich-spektrale Aufmerksamkeitsgewichte ohne zusätzliche Parameter. Experimente an drei Datensätzen für die Fernerkundungsbild-Veränderungserkennung zeigen, dass das vorgeschlagene USSFC-Net sowohl eine höhere CD-Genauigkeit als die meisten CNN-basierten Methoden erreicht als auch geringere Rechenkosten und weniger Parameter erfordert – selbst bei Überlegenheit gegenüber einigen Transformer-basierten Ansätzen. Der Quellcode ist unter https://github.com/SUST-reynole/USSFC-Net verfügbar.