针对传统变化检测网络容易受到复杂背景、光谱变化等因素干扰，导致高分辨率遥感影像中细小地物检测缺失，几何结构检测不完整等问题，本研究联合卷积网络和Transformer网络优势，提出一种基于金字塔语义Token全局信息增强的变化检测网络(Pyramid Semantic Token guided Global Information Enhancement Change Detection Network, PST-GIENet)，可有效抑制复杂背景、光谱变化等因素干扰，显著增强网络对地物边缘结构和多尺度变化的捕捉能力。相关成果发表在测绘类中文TOP期刊“测绘学报”上。

本研究结合卷积神经网络(Convolutional Neural Network, CNN)和Transformer网络构建了基于金字塔语义Token全局信息增强变化检测网络PST-GIENet，如图1所示。网络整体结构借鉴“编码器-解码器”设计思想，即通过编码器提取多尺度深度特征，并利用解码器逐步积聚变化细节信息、恢复特征图分辨率。其中，编码器部分设计为共享权重的孪生卷积网络，采用无最大池化层的ResNet18网络提取多尺度双时相影像深度特征。为增强特征图全局上下文建模能力，引入基于金字塔语义Token的全局信息增强模块，其核心思想是利用不同尺度双时相融合特征生成金字塔语义Token(PToken)，并结合Transformer编码器-解码器模块学习多层次语义信息和全局上下文关联。其中，为生成表达能力更强的语义Token，引入联合注意力机制模块和深监督策略对融合特征进行增强。最后，经过逐层上采样模块将特征图分辨率恢复到与输入图像相同的尺寸，并利用1*1卷积层和Sigmoid层生成最终变化图。

图1 PST-GIENet网络整体结构

图2 不同模型在LEVIR-CD数据集的变化检测结果

图3 不同模型在CDD数据集的变化检测结果

图4 不同模型在WHU-CD数据集的变化检测结果