Ante la heterogeneidad espacial de las imágenes de teledetección de múltiples fuentes en diferentes momentos, hemos mejorado el modelo de red completa transformadora (FTN) y presentado un modelo de red de detección de cambios en edificios colapsados después de terremotos basado en un enfoque de extremo a extremo (SWSACNet) , que utiliza la mejora de características mediante ventanas deslizantes y un mecanismo mixto de atención de convolución. SWSACNet se basa en el marco del modelo FTN, utiliza eficientemente la tecnología ACmix (atención mixta de convolución) para reconocer las características de los edificios colapsados en imágenes de múltiples fuentes, y reduce el impacto de los desplazamientos de posición en las imágenes de múltiples fuentes mediante la coincidencia de la función de similitud de ventanas deslizantes. Por ejemplo, utilizando imágenes de alta resolución 2 antes del terremoto, imágenes de Google e imágenes de Beijing 3 después del terremoto del 6 de febrero de 2023 en Turquía con una magnitud de 7,8, creamos un conjunto de datos de detección de cambios en edificios colapsados después del terremoto para probar SWSACNet, FTN y otros cuatro modelos. Los resultados del experimento muestran que la precisión de reconocimiento para SWSACNet, alcanzando un puntaje F1 del 80,8 % y un mIoU del 67,8 %, supera a los otros cuatro modelos. En las escenas de prueba de Fevaipasa, Nurdagi e Islahiye, la precisión promedio de reconocimiento del modelo F1 es del 60,84 %, lo que indica que el modelo necesita mejorar en su rendimiento general.

imágenes de múltiples fuentes ; aprendizaje profundo ; detección de cambios ; extracción de edificios colapsados