La detección de cambios semánticos en imágenes de teledetección juega un papel importante en la monitorización del entorno ecológico, el uso de la tierra y el seguimiento de su cobertura. En los últimos años, los métodos de detección de cambios basados en el aprendizaje profundo son un tema candente en la interpretación inteligente de la teledetección, sin embargo, los métodos actuales de detección de cambios semi-vinculados carecen de modelización de la coherencia entre la rama de cambios y la rama semántica, lo que conduce a una contradicción intrínseca en la detección de cambios semánticos semitemporales. Para resolver este problema, en este artículo se propone un algoritmo de detección de cambios semánticos en imágenes de teledetección basado en una red gemela CNN y Transformer. En la etapa de codificación, primero se diseña una red gemela ResNet34 para extraer características multiescala de imágenes e incluye un módulo de amplificación de diferencias para aumentar la atención a la información de cambio; luego a través de un marcador semántico, se mapean las características de las imágenes como tokens semánticos compactos y se combinan a través de un codificador Transformer para modelar la coherencia semántica-cambio en los cambios semánticos semitemporales. En la etapa de decodificación, a través del decodificador Transformer, utilizando conexiones saltadas para fusionar diferentes informaciones semánticas precisas y generar mapas de características semánticas precisas; después de lo cual, a través de una restauración upsampling, se realiza una multiplicación de máscara para obtener diferentes resultados de detección de cambios semánticos semitemporales. Los resultados de los experimentos en los conjuntos de datos públicos de detección de cambios SECOND y LandSat-SCD muestran que el algoritmo propuesto en este artículo puede enfocarse eficazmente en áreas de cambio, mantener la coherencia entre los resultados de cambio y los resultados semánticos, y lograr excelentes métricas de evaluación y efectos visuales.

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