基于Transformer孪生网络与自注意力机制的遥感数据变化检测方法研究

针对遥感数据变化检测中数据格式多样性和精度不足的挑战，研究人员创新性地将孪生网络（Siamese Network）与Transformer模型结合，引入自注意力机制和混合特征融合策略，在Sentinel-2等数据集上实现99.23%的准确率，较现有方法提升4.3%，为环境监测与灾害管理提供高效解决方案。

　　

遥感技术已成为地球表面监测的核心手段，但在处理多时相、多分辨率数据时，传统变化检测方法面临效率低下和误差率高的瓶颈。现有深度学习模型如卷积神经网络（CNN）和循环神经网络（RNN）虽能提取空间特征，却难以捕捉长程依赖关系。为此，研究人员提出了一种融合Transformer与孪生网络的新架构，通过自注意力机制和混合特征融合技术，显著提升了变化检测的精度与适应性。

研究团队设计了一种结合局部卷积特征与全局Transformer上下文的孪生网络。关键技术包括：1）基于自注意力机制的成对学习任务（Pairwise Learning Task），增强特征判别力；2）混合特征融合策略，整合CNN的局部细节与Transformer的全局关联；3）语义变化类型识别模块，可区分植被、水体等类别。实验采用Sentinel-2、QuickBird和TerraSAR-X数据集验证性能。

实验结果显示，该方法在三个数据集上的准确率分别达99.23%、98.96%和99.08%，F1分数提升最高达7.7%。与DSAMNet等现有模型相比，其优势在于通过Transformer层捕获大范围地物关联，同时利用孪生结构强化细微变化检测。例如，在城区扩展监测中，模型成功识别出₅像素级建筑变化。

讨论部分指出，该研究的突破性在于首次将Siamese-Transformer架构嵌入面向服务的遥感大数据框架（SoFRB），实现了算法效率与精度的平衡。结论强调，该方法为动态环境监测提供了可扩展的技术路径，未来可应用于生态评估与应急响应领域。论文发表于《Signal Processing: Image Communication》，为遥感智能分析树立了新基准。