DBAF-Net：一种用于遥感变化检测的双分支对齐与融合网络

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：DBAF-Net: Dual Branch Alignment and Fusion Network for Remote Sensing Change Detection

　　

摘要：

遥感变化检测（RSCD）领域取得了显著进展。目前大多数现有的RSCD方法遵循编码器-特征交互-解码器的架构。然而，这些方法在特征交互阶段通常以组合的方式处理空间细节和语义信息，导致空间特征和语义特征提取不足，同时忽略了这些特征之间的分布不一致性。此外，缺乏统一的对齐和融合策略。为了解决这些问题，我们提出了一种新颖的双分支对齐与融合网络（DBAF-Net）。具体来说，该网络在特征交互阶段采用了双分支结构，以实现高效的差异特征提取，其中增强空间差异模块（ESDM）和语义感知差异模块（SADM）分别从图像中提取空间特征和语义特征。为了缓解两个分支之间的特征分布差异，我们设计了跨分支对齐融合解码器（CBAFD），该解码器利用领域适应性和差异注意力机制对空间特征和语义特征进行深度融合。最后，将精炼的特征从深层逐渐聚合到表层，生成最终的变化图。在三个成熟的基准数据集——LEVIR CD、SYSU-CD和UAV-CD上进行的全面评估表明，所提出的DBAF-Net在变化检测性能上优于当前的最先进方法。源代码可在以下链接获取：https://github.com/yikuizhai/DBAF-Net。