Face à l'hétérogénéité spatiale des images satellitaires provenant de différentes époques, nous avons amélioré le modèle du réseau de transformation complet (FTN) et présenté un modèle de réseau de détection des changements dans les bâtiments effondrés après un séisme basé sur l'extrémité à l'extrémité (SWSACNet) qui utilise l'amélioration des caractéristiques par fenêtres coulissantes et le mécanisme mixte d'attention de convolution. SWSACNet est basé sur le cadre du modèle FTN, utilise efficacement la technologie ACmix (attention mixte de convolution) pour reconnaître les caractéristiques des bâtiments effondrés dans des images de sources multiples, et réduit l'impact des écarts de position dans les images de sources multiples en appariant la fonction de similarité des fenêtres coulissantes. Par exemple, en utilisant des images haute résolution 2 avant le séisme, des images de Google et des images de Pékin 3 après le séisme du 6 février 2023 en Turquie d'une magnitude de 7,8, nous avons créé un ensemble de données de détection des changements dans les bâtiments effondrés après le séisme pour tester SWSACNet, FTN et quatre autres modèles. Les résultats de l'expérience montrent que la précision de reconnaissance pour SWSACNet, atteignant un score de F1 de 80,8 % et un mIoU de 67,8 %, dépasse les quatre autres modèles. Dans les scènes de test Fevaipasa, Nurdagi et Islahiye, la précision moyenne de reconnaissance du modèle F1 est de 60,84 %, ce qui indique que le modèle a besoin d'amélioration dans ses performances générales.

images de plusieurs sources ; apprentissage profond ; détection des changements ; extraction des bâtiments effondrés