计算机工程与应用

作者：李志财, 龙军, 钱育蓉, 王元旭, 范迎迎, 白璐

单位：1.新疆大学 软件学院 新疆大数据与智能软件工程研究中心，乌鲁木齐 830091；2.新疆大学 软件工程重点实验室，乌鲁木齐 830091；3.中南大学 大数据研究院，长沙 410083；4.新疆大学 计算机科学与技术学院，乌鲁木齐 830046；5.丝路多语言认知计算国际合作联合实验室，乌鲁木齐 830046；

关键词：遥感图像,耕地变化检测,差异感知增强,注意力机制

基金：国家自然科学基金（62266043）；新疆维吾尔自治区青年拔尖人才项目（2023TSYCCX0043）；新疆维吾尔自治区杰出青年科学基金（2023D01E01）；天山创新团队项目（2023D14012）；新疆维吾尔自治区重点研发专项（2023B01029-1，2023B01029-2）；新疆维吾尔自治区自然科学基金（2022D01B123）。

针对当前基于深度学习的变化检测方法偏重特征提取而忽略双时相图像间的差异信息，检测结果受到伪变化干扰，以及传统的特征融合方法易导致关键特征丢失等问题，提出一种差异感知增强的遥感图像耕地变化检测网络（difference-aware enhancement network，DAENet）。为了对提取的双时相特征进行差异化增强，设计了一个差异感知增强模块来突出变化区域的显著特征。为了减少伪变化干扰对检测结果的影响，设计了一个多尺度空洞卷积注意力模块，通过捕获多尺度上下文信息来减少伪变化干扰。为了进一步增强高级特征和低级特征的融合效果，设计空间交叉注意力融合模块来逐级融合并生成预测图。实验结果表明，该方法在CLCD数据集和PX-CLCD数据集上的表现优于现有的12种方法，F1分别达到76.95%和95.97%，IoU分别达到62.54%和92.25%，显著提升了检测精度和可靠性。为了验证模型的有效性，在建筑物LEVIR-CD数据集上的实验结果显示F1和IoU达到了91.03%和83.54%，表明提出的方法具有强大的泛化能力。

来源：2026年第4期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第4期