Die semantische Veränderungserkennung von Fernerkundungsbildern spielt eine wichtige Rolle bei der Überwachung der Ökologie, der Landnutzung und der Bodenbedeckung. In den letzten Jahren ist die Veränderungserkennungsmethode auf der Grundlage des Deep Learning ein heißes Thema bei der intelligenten Fernerkundungsinterpretation. Es fehlt jedoch eine konsistente Modellierung des Verzweigungs- und semantischen Verzweigungszweigs in den bestehenden dreizweigigen semantischen Veränderungsmethoden, was zu widersprüchlichen semantischen Veränderungserkennungen führt. Um dieses Problem zu lösen, schlägt dieser Artikel einen Algorithmus zur semantischen Veränderungserkennung von Fernerkundungsbildern auf der Grundlage von Twin-CNN und Transformer vor. In der Codierungsphase entwirft zunächst ein Twin-ResNet34-Netzwerk, um mehrskalige Merkmale des Bildes zu extrahieren, und integriert ein Differenzverstärkungsmodul, um die Aufmerksamkeit auf Veränderungsinformationen zu erhöhen; dann verwendet er einen semantischen Marker, um die Merkmalskarte in kompakte semantische Tokens zu projizieren, und modelliert die Semantik-Veränderung Konsistenz durch einen Transformer-Encoder. In der Dekodierungsphase verschmilzt der Transformer-Decoder verschiedene granulare semantische Informationen mithilfe von Sprungverbindungen, um raffiniertere semantische Merkmalskarten zu generieren; nach der Wiederherstellung durch Upsampling und der maskenmultiplikation wird das Ergebnis der semantischen Veränderung zu zwei Zeitpunkten erhalten. Die Experimente auf den öffentlichen Fernerkundungssemantik-Änderungsdatensätzen SECOND und Landsat-SCD zeigen, dass der vorgeschlagene Algorithmus in der Lage ist, sich auf Veränderungsbereiche zu konzentrieren, die Konsistenz zwischen Veränderungsergebnissen und semantischen Ergebnissen zu gewährleisten und hervorragende Bewertungsindikatoren und visuelle Effekte zu erzielen.

Fernerkundungsbilder; Veränderungserkennung; semantische Konsistenz; Unterschiedsverstärkung; mehrskalige Merkmale; Twin-Netzwerk; ResNet34; Transformer