Основная цель обнаружения семантических изменений — точно распознавать сложные процессы изменения земной поверхности и одновременно определять соответствующие семантические категории. Существующие исследования показывают, что использование раздельных ветвей для локализации изменений и семантического распознавания для совместного выполнения задачи обнаружения семантических изменений является надежным решением данной проблемы. Однако существующие框架 часто не эффективно интегрируют и используют семантическую информацию об объектах для руководства процессом распознавания изменений, что в определенной степени ограничивает точность модели в распознавании сложных изменений сцены. В связи с этим в данной статье предложена семантически направленная сеть пространственно-временного совместного восприятия SemSTNet (Semantic-guided Spatio-Temporal Collaborative Perception Network), которая с учетом пространственно-временного взаимодействия признаков двух временных фаз осуществляет семантическое руководство для точного распознавания областей изменений. Конкретно, построен симметричный модуль пространственно-временного демодуляционного дифференцирования, использующий двунаправленную модуляцию признаков для реализации взаимной калибровки признаков между временными фазами, с помощью трехмерной дифференциальной свертки происходит декуплинг изменений по пространственно-временному измерению; далее спроектирован семантический гейт-фьюжн декодер, введён динамический механизм взвешивания семантической схожести, с помощью косинусной карты схожести генерируются семантические априоры, а адаптивное гейт-фьюжн улучшает выраженность реальных областей изменений; наконец, спроектирована глубокая семантическая контрастная потеря для построения двойного сигнала супервизии, который накладывает ограничение на семантическую согласованность неизменных областей в пространстве признаков и расширяет межклассовое расстояние между изменёнными и неизменёнными зонами. Широкие эксперименты на двух наборах данных по обнаружению семантических изменений показывают, что предложенная модель значительно превосходит другие передовые методы семантического обнаружения изменений как в качественной, так и в количественной оценке.

спутниковые изображения;изменения земной поверхности;обнаружение семантических изменений;пространственно-временное сотрудничество;семантическое руководство