来源：期刊VIP网 时间：
作者：潘建平;谢鹏;郭志豪;林娜;张慧娟;
单位：重庆交通大学智慧城市学院;宁夏回族自治区遥感调查院;
摘要：城市复杂场景中，地物形状多样，光照和成像角度变化大会导致变化检测结果受到干扰。为解决这些问题，文章提出了一种双上下文多尺度监督融合的网络模型(dual context multi-scale supervised fusion network model, DCMSFNet)。首先，在编码部分使用双上下文增强模块获得地物丰富的全局上下文信息。在解码部分，采用级联的方法组合特征，然后通过自适应注意力模块捕捉不同尺度的变化关系，设计多尺度监督融合模块，增强深度网络融合，获得具有更高辨别能力的变化区域特征，将不同层级的输出结果与主网络的重构变化图融合形成最终的变化检测结果。该模型在LEVIR-CD和SYSU-CD变化检测数据集取得了较好的结果，F1-score分别提高了1.58%和2.17%,可更加精确识别复杂场景的变化区域，进一步减少无关因素引起的误检和漏检，且对目标地物边缘的检测更加平滑。
关键词：深度学习;;变化检测;;双上下文增强;;自适应注意力模块;;多尺度监督融合
基金资助：宁夏自治区重点研发计划(2022CMG02014);; 重庆市研究生联合培养基地建设项目(JDLHPYJD2019004);; 自然资源部国土空间规划监测评估预警重点实验室开放基金资助项目(LMEE-KF2023001)
