Para resolver el problema de la heterogeneidad espacial de las imágenes satelitales de múltiples fuentes en diferentes épocas, este estudio mejoró el modelo de la red FTN (Fully Transformer Network) y presentó el modelo de la red de detección de cambios en edificios derrumbados SWSACNet (Sliding-Window-Shift Attention Convolution mix Network), que se basa en un enfoque de extremo a extremo y se apoya en el potenciamiento de características mediante una ventana deslizante y un mecanismo de mezcla de atención de convolución. SWSACNet se basa en el marco del modelo FTN, utiliza ACmix (Attention Convolution mix) para identificar eficazmente las características de los edificios derrumbados en las imágenes de múltiples fuentes, y atenúa el efecto del desplazamiento espacial en las imágenes de múltiples fuentes al comparar las características de similitud de las ventanas deslizantes. Tomando como ejemplo el terremoto de magnitud 7.8 en Turquía el 6 de febrero de 2023, al recolectar imágenes de alta resolución antes del terremoto, imágenes de Google y imágenes de Beidou-3 después del terremoto para construir un conjunto de datos de detección de cambios en edificios colapsados, se entrenaron modelos SWSACNet, FTN y otros 5 modelos para detectar cambios y extraer edificios derrumbados en el área del terremoto. Los resultados del experimento mostraron que la precisión de reconocimiento de SWSACNet alcanzó el 80.8%, mIoU fue del 67.8%, lo que es mejor que otros 4 modelos. Aplicado a los escenarios 3Fevaipasa, Nurdagi e Islahiye, la precisión promedio del modelo F1 fue del 60.84%, lo que indica que el modelo necesita mejorar en términos de rendimiento de generalización.

Teledetección; imágenes de múltiples fuentes; aprendizaje profundo; detección de cambios; extracción de edificios derrumbados