基于GeoFusion-ChangeNet的高性能深度特征编码网络，用于遥感影像中的土地覆盖制图与变化检测

《Scientific Reports》：A high-performance deep feature encoding network using GeoFusion-ChangeNet for land cover mapping and change detection in remote sensing imagery

　　

摘要

基于遥感的土地利用分类与变化检测对于环境保护、城市规划及资源管理至关重要。然而，由于特征不一致性、类别不平衡以及现有方法中时空表征融合有限，从高分辨率多时相图像中精确提取空间与时间信息仍然极具挑战性。传统深度学习方法往往难以捕捉细微变化，难以在复杂和异构景观中泛化，从而降低了变化检测的精度。为克服这些限制，本研究提出了一种先进的深度学习框架——GeoFusion-ChangeNet，用于高分辨率土地利用制图与自动变化检测。该模型将层次化卷积特征编码器与残差深度特征主干相结合，以有效捕捉丰富的多尺度空间特征。同时引入基于注意力机制的方法，通过聚焦信息丰富的区域并抑制无关信息来提升特征表征能力。此外，采用多时相特征融合方法，结合特征拼接与特征差分技术，以有效捕捉输入图像之间的时间变化。所提出的系统还通过交互界面部署，以实现分类与变化检测结果的实时可视化。在SECOND基准数据集上的实验结果显示，该模型准确率达到95.00%，IoU为86.00%，F1分数为93.00%，Kappa系数为84.00%。此外，在LEVIR-CD基准数据集上的交叉验证评估中，准确率达到93.12%，F1分数为90.61%，IoU为82.83%，Kappa系数为81.47%，表明GeoFusion-ChangeNet在额外的遥感变化检测设置下仍能保持稳定性能。