Um den Herausforderungen von Faltungsnetzwerken in der Veränderungserkennung wie begrenztem Rezeptivfeld, unzureichender Merkmalsinteraktion über Ebenen hinweg und Schwierigkeiten bei der Modellierung langfristiger Kontextabhängigkeiten zu begegnen, wird in dieser Arbeit das Veränderungserkennungsmodell CTDFFNet vorgeschlagen, das auf einer Cross-Transformer-basierten Differenzmerkmalsfusion basiert. Zunächst wird mittels ResNet18 ein mehrskaliges lokales Merkmalsrepräsentation erstellt und mit dem Cross-Transformer-Modul kombiniert, um Differenzmerkmale zu erlernen, die eine globale Kontextwahrnehmung und mehrstufige Merkmalsinteraktionen ermöglichen und die Sensitivität des Modells für komplexe Szenarienänderungen erhöhen; anschließend nutzt der Dekodierabschnitt eine dichte Verbindungsstruktur zur multipfadigen Merkmalsweiterleitung und umfassenden Informationsnutzung, während das Verschwinden von Gradienten unterdrückt wird; schließlich wird das adaptive Kanalverstärkungsmodul ACEM verwendet, um Kanalgewichte dynamisch anzupassen und Schlüsselmerkmale zu verstärken, während eine Sigmoid-Schicht die finale Veränderungskarte generiert. Zur Validierung der Methode wurden Experimente auf drei Veränderungserkennungsdatensätzen LEVIR-CD, CDD und WHU-CD durchgeführt. Quantitative Ergebnisse zeigen, dass CTDFFNet auf allen drei Datensätzen die besten Genauigkeitswerte erzielt, mit F1-Werten von 91,52%, 95,83% bzw. 93,02%. Darüber hinaus zeigen visuelle Ergebnisse, dass CTDFFNet effektiv Störungen wie komplexe Hintergründe, Schatten und Beleuchtungsänderungen widersteht und die Erkennung und Identifikation von Zielen in verschiedenen Skalen signifikant verbessert.

Veränderungserkennung;Deep Learning;Cross-Transformer;Cross-Attention-Mechanismus;adaptive Kanalverstärkung