Schatten in Fernerkundungsbildern sind entscheidend für die Interpretation der Bilder und die Extraktion von Geländeobjekten, können aber auch störend sein. Derzeit, obwohl Fortschritte bei der Schattendetektion mit Hilfe des Deep Learning in Fernerkundungsbildern erzielt wurden, stehen sie immer noch vor Herausforderungen wie Auslassungen, Fehldetektionen und der Komplexität des Netzwerkmodells. In diesem Sinne präsentierte diese Studie ein Zweig-Netzwerk zur Schattendetektion, das die Vorteile des Transformers und des Convolutional Neural Network (CNN) kombiniert. Diese Methode basiert auf einer Zweigstruktur, um Informationen aus globaler und lokaler Sicht zu erkunden und Merkmale effektiv zu integrieren, um Schattenmerkmale genauer zu erfassen. Darüber hinaus trägt die Einführung eines Schattenprädiktionsmoduls und einer gemeinsamen Verlustfunktion weiter zur Verbesserung der Schattendetektionsgenauigkeit bei. Die Experimente mit dem Luftbildschatten-Datensatz AISD (Aerial Imagery Shadow Dataset) zeigen, dass diese Methode die Schattendetektionsgenauigkeit erheblich verbessert und 97,112% erreicht, und falsche Alarme erfolgreich reduziert (BER um 0,389 reduziert), was ihre Wirksamkeit vollständig bestätigt. Letztendlich bietet das in dieser Studie vorgeschlagene Zweig-Schattendetektionsnetzwerk ein neues effektives Mittel zur Verringerung von Auslassungen und Fehldetektionen von kleinen Schatten in Fernerkundungsbildern und ist daher von großer Bedeutung für die Interpretation von Fernerkundungsbildern und die Extraktion von Geländeobjekten.

Fernerkundungsbilder; Schattendetektion; semantische Segmentierung; Zweig-Netzwerk; Merkmalsintegration; Transformer; CNN; ResNet