Les images hyperspectrales multitemporelles ont une large application dans la détection de changements en raison de leur riche gamme spectrale et des détails des images. Les algorithmes de détection de changement hyperspectral basés sur l'apprentissage supervisé dépendent souvent d'un grand nombre d'échantillons étiquetés, ce qui entraîne des coûts d'étiquetage élevés. Cet article propose un réseau (JCDS²AN) basé sur les fonctionnalités de différence centrale conjointe et l'attention spectrale-spatiale pour la détection de changements dans les images hyperspectrales, qui peut atténuer les fluctuations des caractéristiques de changement avec des échantillons limités et permet d'apprendre des caractéristiques de changement représentatives à l'aide d'échantillons étiquetés limités. Dans le réseau JCDS²AN, des blocs d'attention spectrale-spatiale à plusieurs échelles sont conçus pour capturer des caractéristiques spatiales et spectrales à plusieurs échelles, et une stratégie d'échange de pixels centraux de caractéristiques de différence est proposée pour un échange d'informations efficace entre les caractéristiques de différence et les caractéristiques des deux temps. Les résultats d'expérimentation visuels et quantitatifs sur trois ensembles de données publics montrent que le JCDS²AN proposé est supérieur à d'autres méthodes avancées de détection de changements hyperspectraux.

images hyperspectrales multitemporelles; images de télédétection spatiale; détection de changements; caractéristiques à plusieurs échelles; fonctionnalités de différence guidée; pixels centraux