全局建模与多维特征对齐的跨域变化检测OA

对卫星遥感影像变化检测中,因区域、传感器差异导致的模型跨域泛化能力严重下降的问题进行了研究,旨在提升无监督场景下变化检测模型对未知目标域的适应能力。提出了一种融合Swin Transformer与对抗性特征对齐的跨域变化检测网络Swin-CDCD。首先,构建了以孪生Swin Transformer为核心的特征提取主干网络,利用其层次化窗口注意力机制强大的长程依赖建模能力,显著增强了对遥感影像双时相变化特征的表示能力。进而,设计了基于自注意力的判别器,通过全局依赖关系建模精细化捕捉与对齐域间特征分布差异。最后,提出了双空间特征对齐(DFA)策略,创新性地对前后时相的整体特征及其差分特征进行联合对抗学习,有效提升了模型对真实变化区域的敏感性,并减少了由域偏移引起的虚检与漏检。在LEVIR-CD与WHU-CD数据集上进行的双向跨域实验(L2W与W2L)表明,所提方法显著优于现有的多种无监督域适应基线模型。具体而言,在L2W(LEVIR-CD→WHU-CD)和W2L(WHU-CD→LEVIR-CD)任务中,F1分数分别达到了82.71%和79.04%,交并比(IoU)分别达到了70.52%和65.35%,验证了在复杂跨域场景下优异的检测,精度与泛化能力。