لقد حقق اكتشاف التغيرات في صور الاستشعار عن بعد عالية الدقة الحديثة نتائج ملحوظة بمساعدة الشبكات العصبونية الالتفافية (Convolutional Neural Network ، CNN). ومع ذلك، أدى محدودية نطاق الإحساس لعمليات الالتفاف إلى وجود نقائص في تعلم السياق العالمي والعلاقات المكانية البعيدة. على الرغم من أن المحول البصري قادر على التقاط الاعتماديات عن بعد بفعالية، إلا أن معالجته لتفاصيل تغير الصور غير كافية، مما يؤدي إلى قدرة محدودة على تحديد المواقع المكانية وكفاءة حسابية منخفضة. لحل هذه المشاكل، يقترح هذا البحث نموذجًا لاكتشاف التغيرات يمزج بين CNN والمحول البصري من خلال الدمج الخطي متعدد المستويات عبر ترميز وفك ترميز متسلسل باستعمال تجميع هرم متباعد مكاني، يجمع مزايا كل من المحول البصري وCNN. أولاً، يستغل شبكة CNN مزدوجة لاستخراج ميزات الصور ويعالج الميزات بدقة بواسطة وحدة تجميع هرم متباعد مكاني، مما يمكن من التقاط تفاصيل الصور بدقة أعلى. ثانيًا، يتم تحويل الميزات المستخرجة إلى كلمات بصرية ويتم نمذجتها باستخدام مشفرات المحول للحصول على معلومات سياقية غنية. تُعاد هذه المعلومات إلى الفضاء البصري لتعزيز الميزات الأصلية عبر فك ترميز المحول، مما يحسن من تعبيرية الميزات. ثم يتم دمج الميزات التي تستخرجها CNN مع تلك التي ينتجها الترميز وفك الترميز الخاص بالمحول بطريقة ربط متدرجة عبر الطبقات، باستخدام تقنية الترقيع لربط خرائط الميزات ذات الدقة المختلفة، محققًا دمجًا بين المعلومات المكانية والدلالية. أخيرًا، يتم توليد خريطة ميزات فارقة غنية بمعلومات التغير عبر وحدة تعزيز الفروق. أظهرت التجارب الشاملة على أربعة مجموعات بيانات عامة من الاستشعار عن بعد: LEVIR وCDD وDSIFN وWHUCD، فعالية الطريقة المقترحة. مقارنة بالطرق المتقدمة الأخرى، أظهر نموذجنا أداء تصنيفي أفضل، مع تحسن فعّال في مشاكل التقسيم الناقص، التقسيم المفرط، والحواف الخشنة في اكتشاف التغير.

صور الاستشعار عن بعد; كشف التغير; الشبكات العصبونية الالتفافية; المحول; تجميع هرم متباعد مكاني