Детекция семантических изменений в изображениях дистанционного зондирования играет важную роль в мониторинге экологической среды, использовании земель и отслеживании их покрытия. В последние годы методы детекции изменений на основе глубокого обучения являются одной из горячих тем в области интеллектуальной интерпретации дистанционного зондирования, однако текущие методы полусвязанной детекции изменений не уделяют должного внимания моделированию согласованности между ветвью изменений и ветвью семантики, что приводит к внутреннему противоречию в детекции полусвязанных семантических изменений. Для решения этой проблемы в данной работе предлагается алгоритм детекции семантических изменений в изображениях дистанционного зондирования на основе сети сопряженных CNN и Transformer. На этапе энкодинга сначала разработана двойная сеть ResNet34 для извлечения многомасштабных признаков изображений и включает модуль усиления различий для увеличения внимания к информации об изменениях; затем с помощью семантического маркеризатора особенностей изображений назначены в качестве компактных семантических токенов и объединены через кодировщик Transformer, чтобы моделировать согласованность семантика-изменение в полусвязанных семантических изменениях. На этапе декодирования с помощью декодера Transformer, используя прыжковые соединения, объединяются различные точные семантические информации и генерируются точные семантические карты особенностей; после этого через восстановление увеличиваются, умножаются маски и получаются различные результаты полусвязанного детектирования семантических изменений. Результаты экспериментов на публичных наборах данных по детекции семантических изменений SECOND и LandSat-SCD показывают, что предложенный в данной работе алгоритм эффективно выбирает области изменений, сохраняет согласованность между результатами изменения и семантическими результатами и достигает выдающихся оценочных показателей и визуального эффекта.

remote sensing image;change detection;Semantic Consistency;Difference Enhancement;Multi-scale Features;Siamese network;ResNet34;Transformer