结合CBAM与Dice Loss的增强型SCanNet用于语义变化检测

遥感影像中的语义变化检测（SCD）需要准确识别多时相图像对中的土地覆盖变化。尽管取得了包括引入基于Transformer的架构在内的重大进展，当前的SCD模型仍然面临诸如噪声输入、细微的类别边界以及严重的类别不平衡等挑战。在本研究中，我们提出通过集成卷积块注意力模块（CBAM）并在训练期间采用Dice损失来增强语义变化网络（SCanNet）。CBAM依次应用通道注意力以突出包含最有意义内容的特征图，随后应用空间注意力以精确定位这些图中的关键区域。这种顺序方法确保了无关特征和空间噪声的精确抑制，与同时或独立应用两种过程的注意力机制相比，实现了更准确和鲁棒的检测性能。专门为处理类别不平衡而设计的Dice损失，进一步提高了对少数变化类别的敏感性。在SECOND数据集上进行的定量实验展示了一致的改进。定性分析证实了这些改进，显示出更清晰的分割边界和对小变化区域更准确的恢复。这些发现突显了注意力机制和Dice损失在改进语义变化检测任务中的特征表示和解决类别不平衡方面的有效性。