Les ombres dans les images de télédétection sont essentielles pour l'interprétation des images et l'extraction des éléments du site, mais elles peuvent également être gênantes. Actuellement, bien que les progrès dans la détection des ombres en utilisant l'apprentissage profond sur les images de télédétection, ils sont toujours confrontés à des défis tels que les omissions, les fausses détections et la complexité du modèle de réseau. À cet égard, cette étude a présenté un réseau de détection des ombres à deux branches qui combine les avantages du Transformateur et du réseau de neurones convolutionnels (CNN). Cette méthode repose sur une structure à deux branches pour explorer l'information à partir de deux perspectives, globale et locale, afin d'intégrer efficacement les caractéristiques pour capturer plus précisément les caractéristiques des ombres. De plus, en introduisant un module de prédiction des ombres et une fonction de perte conjointe, une amélioration supplémentaire de la précision de détection des ombres. Les résultats des expériences sur le jeu de données d'ombres d'images aériennes AISD (Aerial Imagery Shadow Dataset) montrent que cette méthode améliore considérablement la précision de la détection des ombres, atteignant 97,112 %, et réduit avec succès les faux positifs (le BER diminue de 0,389), validant ainsi son efficacité. En fin de compte, le réseau de détection des ombres à deux branches proposé dans cette étude fournit un nouvel outil efficace pour réduire les erreurs de détection de petites ombres dans les images de télédétection, ce qui revêt une importance capitale pour l'interprétation des images de télédétection et l'extraction des éléments du site.

images de télédétection; détection des ombres; segmentation sémantique; réseau à deux branches; intégration des caractéristiques; Transformateur; CNN; ResNet