La détection des changements sémantiques dans les images de télédétection joue un rôle important dans la surveillance de l'environnement écologique, l'utilisation des terres et la surveillance de leur couverture. Au cours des dernières années, les méthodes de détection des changements basées sur l'apprentissage en profondeur sont au centre de l'attention de l'interprétation intelligente de la télédétection, cependant, les méthodes actuelles de détection des changements semi-liés manquent de modélisation de la cohérence entre la branche des changements et la branche sémantique, ce qui conduit à une contradiction intrinsèque dans la détection des changements sémantiques semi-temporels. Pour résoudre ce problème, cet article propose un algorithme de détection des changements sémantiques dans les images de télédétection basé sur un réseau jumeau CNN et Transformer. À l'étape de codage, un réseau jumeau ResNet34 est d'abord conçu pour extraire des caractéristiques multi-échelle des images et inclut un module d'amplification des différences pour accroître l'attention portée aux informations de changement; puis à l'aide d'un marqueur sémantique, les cartes de caractéristiques des images sont cartographiées en tant que jetons sémantiques compacts et combinées par un codeur Transformer pour modéliser la cohérence sémantique-changement dans les changements sémantiques semi-temporels. À l'étape de décodage, à l'aide du décodeur Transformer, en utilisant des connexions sautées afin de fusionner différentes informations sémantiques précises et de générer des cartes de caractéristiques sémantiques précises; après quoi, via une restauration par suréchantillonnage, une multiplication masquée est effectuée pour obtenir différents résultats de détection des changements semi-temporels sémantiques. Les résultats des expériences sur les ensembles de données publics de détection des changements SECOND et LandSat-SCD montrent que l'algorithme proposé dans cet article peut efficacement se concentrer sur les zones de changement, maintenir la cohérence entre les résultats de changement et les résultats sémantiques, et atteindre d'excellentes performances d'évaluation et des effets visuels.

remote sensing image;change detection;Semantic Consistency;Difference Enhancement;Multi-scale Features;Siamese network;ResNet34;Transformer