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 la couverture terrestre. Ces dernières années, les méthodes de détection des changements basées sur l'apprentissage profond sont devenues un sujet d'intérêt majeur dans l'interprétation intelligente de la télédétection; cependant, les méthodes actuelles de détection de la semi-variabilité manquent de modélisation de la cohérence entre la branche des changements et la branche de la signification, ce qui entraîne des contradictions de détection des changements sémantiques à deux temps. Face à ce problème, cet article propose un algorithme de détection des changements sémantiques dans les images de télédétection basé sur le jumeau CNN et Transformer. Lors de l'étape de codage, un réseau jumeau ResNet34 est d'abord conçu pour extraire des caractéristiques multi-échelles de l'image, et un module d'amélioration des différences est intégré pour augmenter l'attention à l'information de changement; puis un marqueur sémantique est utilisé pour cartographier les caractéristiques en jetons sémantiques compacts, et à l'aide d'un encodeur Transformer, l'information sémantique et de changement à deux temps est modélisée conjointement. Lors de l'étape de décodage, en utilisant un décodeur Transformer et une connexion de saut, différentes informations sémantiques à différentes échelles sont fusionnées pour obtenir des cartes de caractéristiques sémantiques affinées. Après une récupération en haute résolution et une multiplication masquée, les résultats des changements sémantiques à deux temps sont obtenus. Les résultats expérimentaux sur les ensembles de données publics de détection des changements sémantiques de télédétection SECOND et Landsat-SCD montrent que l'algorithme proposé peut se concentrer efficacement sur les zones de changement, maintenir la cohérence des résultats de changement avec les résultats sémantiques et obtenir d'excellents indicateurs d'évaluation et d'effets visuels.

images de télédétection; détection de changement; cohérence sémantique; amélioration des différences ; caractéristiques multi-échelles; réseau jumeau; ResNet34; Transformer