Las imágenes hiperespectrales multitemporales tienen una amplia aplicación en la detección de cambios debido a su riqueza en bandas espectrales y detalles de imagen. Los algoritmos de detección de cambios hiperespectrales basados en aprendizaje supervisado suelen depender de una gran cantidad de muestras etiquetadas, lo que resulta en altos costos de anotación. Por ello, este artículo propone una red JCDS²AN (Red conjunta de características de diferencia central y atención espectral-espacial) para la detección de cambios en imágenes hiperespectrales. Esta red puede mitigar las fluctuaciones de características de cambio con muestras limitadas y aprender características de cambio representativas utilizando muestras etiquetadas limitadas. JCDS²AN diseña bloques de atención espectral-espacial multiescala para capturar características espaciales y espectrales multiescala, y propone una estrategia de intercambio de píxeles centrales guiada por características de diferencia para lograr una interacción eficiente entre las características de diferencia y las características de dos fases temporales. Se realizó una comparación con ocho métodos más de detección de cambios hiperespectrales con experimentos visuales y cuantitativos en tres conjuntos de datos públicos. Los resultados demuestran que JCDS²AN propuesta supera a otros métodos de detección de cambios hiperespectrales.

imágenes hiperespectrales; imágenes de teledetección; detección de cambios; características multiescala; guía de características de diferencia; píxel central