Тени на изображениях дистанционного зондирования являются важными для интерпретации изображений и извлечения объектов местности, но они также могут быть помехой. В настоящее время, несмотря на определенные успехи в обнаружении теней с использованием глубокого обучения на изображениях дистанционного зондирования, по-прежнему сталкиваются с вызовами, такими как пропуск обнаружение, ложное обнаружение и сложность модели сети. В этой связи, в данном исследовании была представлена сеть обнаружения теней с двойной ветвью, объединяющая преимущества Трансформатора и сверточной нейронной сети (CNN). Этот метод основан на структуре двойной ветви, чтобы обнаружить информацию с глобального и локального уровней для эффективной интеграции признаков с целью более точного захвата особенностей теней. Кроме того, введя модуль прогнозирования теней и объединенную функцию потерь, дальнейшее повышение точности обнаружения теней. Результаты эксперимента на наборе данных теней авиационных изображений AISD (Aerial Imagery Shadow Dataset) показывают, что этот метод значительно повышает точность обнаружения теней, достигая 97.112%, и успешно снижает ложную срабатывания (BER снижается на 0.389), тем самым подтверждая свою эффективность. В целом, предложенная в данном исследовании сеть обнаружения теней с двойной ветвью дает эффективное новое средство для уменьшения вызовов пропуска и ложного обнаружения малых теней в изображениях дистанционного зондирования, что имеет важное значение для интерпретации изображений дистанционного зондирования и извлечения объектов местности.

изображения дистанционного зондирования; обнаружение теней; семантическая сегментация; сеть с двойной ветвью; интеграция признаков; Трансформатор; CNN; ResNet