Détection des changements dans les images de télédétection à l'aide d'un modèle de réseau convolutif siamois profond avec contraintes de double tâche

Ces dernières années, les méthodes de détection des changements dans les bâtiments ont connu d'importants progrès grâce à l'introduction de l'apprentissage profond. Cependant, elles souffrent encore du problème des caractéristiques extraites qui ne sont pas suffisamment discriminantes, entraînant des régions incomplètes et des frontières irrégulières. Pour résoudre ce problème, nous proposons un modèle de réseau convolutif Siamese profond contraint par une double tâche (DTCDSCN), qui comprend trois sous-réseaux : un réseau de détection des changements et deux réseaux de segmentation sémantique. Le DTCDSCN peut accomplir la détection des changements et la segmentation sémantique simultanément, ce qui aide à apprendre des caractéristiques plus discriminantes au niveau objet et à obtenir une carte complète de détection des changements. De plus, nous introduisons un module d'attention double (DAM) pour exploiter les interdépendances entre les canaux et les positions spatiales, améliorant ainsi la représentation des caractéristiques. Nous avons également amélioré la fonction de perte focale pour atténuer le problème d'imbalance des échantillons. Les résultats expérimentaux obtenus avec le jeu de données WHU building montrent que la méthode proposée est efficace pour la détection des changements dans les bâtiments et atteint une performance de pointe en termes de quatre métriques : précision, rappel, score F1 et intersection sur union.