Las imágenes hiperespectrales multitemporales tienen una amplia aplicación en la detección de cambios debido a su rico rango espectral y detalles de imágenes. Los algoritmos de detección de cambios hiperespectrales basados en el aprendizaje supervisado a menudo dependen de una gran cantidad de muestras etiquetadas, lo que conlleva costos de etiquetado elevados. Este artículo propone una red (JCDS²AN) basada en las características de diferencia central conjunta y la atención espectral-espacial para la detección de cambios en las imágenes hiperespectrales, que puede mitigar las fluctuaciones de las características de cambio con muestras limitadas y permite aprender características de cambio representativas utilizando muestras etiquetadas limitadas. En la red JCDS²AN, se diseñan bloques de atención espectral-espacial a múltiples escalas para capturar características espaciales y espectrales a múltiples escalas, y se propone una estrategia de intercambio de píxeles centrales de características diferenciales para una interacción eficiente de características diferenciales e información efectiva entre características diferenciales y características de dos tiempos. Los resultados de experimentos visuales y cuantitativos en tres conjuntos de datos públicos muestran que el JCDS²AN propuesto supera a otros métodos avanzados de detección de cambios hiperespectrales.

imágenes hiperespectrales multitemporales; imágenes de teledetección espacial; detección de cambios; características a múltiples escalas; características de diferencia guiadas; píxeles centrales