Pour résoudre le problème d'hétérogénéité spatiale des images satellitaires multi-sources à des époques différentes, cette étude a amélioré le modèle du réseau FTN (Fully Transformer Network) et a présenté le modèle du réseau de détection des changements de bâtiments effondrés SWSACNet (Sliding-Window-Shift Attention Convolution mix Network), qui est basé sur l'architecture de bout en bout et repose sur l'amélioration des caractéristiques à l'aide d'une fenêtre coulissante et d'un mécanisme de mélange de l'attention de convolution. SWSACNet est basé sur le cadre du modèle FTN, utilise ACmix (Attention Convolution mix) pour identifier efficacement les caractéristiques des bâtiments effondrés dans les images multi-sources, et atténue l'effet de décalage spatial dans les images multi-sources en comparant les caractéristiques de similarité des fenêtres coulissantes. En prenant l'exemple du séisme de magnitude 7,8 en Turquie le 6 février 2023, en recueillant des images à haute résolution avant le séisme, des images Google et des images Beidou-3 après le séisme pour construire un jeu de données de détection des changements de bâtiments effondrés, des modèles SWSACNet, FTN et 5 autres modèles ont été formés pour détecter les changements et extraire les bâtiments effondrés dans la zone du séisme. Les résultats de l'expérience ont montré que la précision de reconnaissance de SWSACNet atteignait 80,8%, mIoU atteignait 67,8%, ce qui est supérieur à 4 autres modèles. Appliquée aux scénarios 3Fevaipasa, Nurdagi et Islahiye, la précision moyenne du modèle F1 atteignait 60,84%, ce qui indique que le modèle a besoin d'être amélioré en termes de performances de généralisation.

Télédétection; images multi-sources; apprentissage en profondeur; détection des changements; extraction des bâtiments effondrés