Для решения проблемы пространственной гетерогенности многочастотных изображений спутникового зондирования в разное время, в данной работе улучшена модель сети FTN (Fully Transformer Network) и представлена модель сети обнаружения изменений разрушенных зданий SWSACNet (Sliding-Window-Shift Attention Convolution mix Network), работающая в конце концов и основанная на усилении признаков методом скользящего окна и смешанной механике внимания свертки. SWSACNet базируется на модели FTN, использует ACmix (Attention Convolution mix) для эффективного выявления признаков разрушенных зданий в многочастотных изображениях, и уменьшает влияние пространственного сдвига в многочастотных изображениях путем сравнения характеристик сходства скользящего окна. На примере землетрясения магнитудой 7,8 в Турции 6 февраля 2023 года, путем получения высокочастотного образа до землетрясения, изображений Google и образов Пекин-3 после землетрясения для построения набора данных обнаружения изменений разрушенных зданий, обучали модели SWSACNet, FTN и еще 5 моделей для обнаружения изменений и извлечения разрушенных зданий в зоне землетрясения. Результаты эксперимента показали, что точность распознавания SWSACNet достигает 80,8%, mIoU составляет 67,8%, что лучше, чем у других 4 моделей. Примененный к сценариям 3Fevaipasa, Nurdagi и Islahiye, средняя точность модели F1 составляет 60,84%, что свидетельствует о необходимости улучшения обобщающих характеристик модели.

Дистанционное зондирование; многочастотные изображения; глубокое обучение; обнаружение изменений; извлечение разрушенных зданий