Journal of Geospatial Information Technology

fa شناسایی تغییرات چند کلاسه ساختمانی با استفاده از شبکه های یادگیری عمیق مبتنی بر داده های سه بعدی هوایی و ماهواره ای Multiclass Building Change Detection Using Deep Learning Networks Based on 3D Aerial and Satellite Datasets سنجش از دور RS پژوهشي Research تشخیص تغییرات سه‌بعدی در ساختمان‌ها نقشی حیاتی در نظارت شهری، توسعه پایدار، و مدیریت بلایا دارد. این پژوهش روشی نوآورانه برای تشخیص تغییرات چند کلاسه ساختمان‌ها ارائه می‌کند. روش پیشنهادی با ترکیب دو معماری پیشرفته شامل شبکه مبدل سیامی و مکانیزم‌های توجه مکانی - کانالی، قابلیت تشخیص دقیق تغییرات ساختمانی را به‌صورت خودکار فراهم می‌سازد. نوآوری اصلی این کار در طراحی یک بلوک کدگذار مبتنی بر توجه دوگانه است که به‌صورت هم‌زمان روابط مکانی محلی و وابستگی‌های کانالی را برای شناسایی تغییرات تحلیل می‌کند.  یکی از چالش‌های کلیدی در زمینه شناسایی تغییرات، توزیع نامتعادل کلاس‌ها (مانند ساختمان‌های بدون تغییر، سازه‌های جدید و ساختمان‌های تخریب‌شده) است. برای حل این مشکل، از روشهایی نظیر تقویت مؤثرتر داده‌ها و استخراج قطعات همپوشان در مرحله پیش‌پردازش استفاده شده است. روش پیشنهادی بر روی یک مجموعه‌داده استریو از ماهواره GeoEye-1 با قدرت تفکیک 0/5 متر و یک مجموعه‌داده استریو هوایی  با قدرت تفکیک 0/08 متر پیاده‌سازی شده است. با اعمال روش پیشنهادی در آزمایش‌ها، ضرایب کاپای ۹۴% و ۹۳% برای مجموعه‌داده‌های ماهواره‌ای و هوایی به‌دست‌آمده است که در مقایسه با سایر روشهای پیشرفته مانند ChangeFormer با ضریب کاپا ۹۱% برای هر دو مجموعه‌داده، بهبود قابل‌ملاحظه‌ای (افزایش ۳ درصدی ضریب کاپا) حاصل شده است. این مدل با بهبود استخراج ویژگی‌ها و عملکرد مناسب روی داده‌های متنوع، به ابزاری قدرتمند برای نظارت بر محیط‌های شهری تبدیل شده و راهکاری مقیاس‌پذیر و قابل‌اعتماد برای برنامه‌ریزی و مدیریت شهری ارائه می‌دهد.   Detecting three-dimensional changes in buildings plays a vital role in urban monitoring, sustainable development, and disaster management. This research presents an innovative method for detecting multi-class building changes. The proposed approach combines two advanced architectures—a Siamese transformer network and spatial-channel attention mechanisms—to enable the automated, precise detection of the structural changes. The primary innovation lies in the design of a dual-attention encoder block that simultaneously analyzes the local spatial relationships and channel dependencies to identify the changes. A key challenge in change detection is the class imbalance (e.g., the unchanged buildings, the new constructions, and the demolished structures). To address this problem, methods such as the enhanced data augmentation and the overlapping patch extraction during preprocessing phase been employed. The proposed method was implemented on a stereo dataset from the GeoEye-1 satellite (0.5-meter resolution) and an aerial stereo dataset (0.08-meter resolution). In the experiments, the proposed method achieved Kappa coefficients of 94% and 93% for the satellite and aerial datasets, respectively. This marks a significant improvement ( 3% increase in Kappa coefficient) compared to the state-of-the-art methods like ChangeFormer, which achieved 91% for both datasets. By enhancing feature extraction and performing robustly on diverse data, the model emerges as a powerful tool for urban environment monitoring, offering a scalable and reliable solution for urban planning and management.   داده‌های سنجش از دور سه‌بعدی, تشخیص تغییر چندکلاسه ساختمانی, شبکه‌های مبدل, بلوک‌های توجه مکانی و کانالی, افزایش داده. 3D Remote Sensing Data, Multiclass Building Change Detection, Transformer Networks, Spatial and Channel Attention Blocks, Data Augmentation. 95 120 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-1013-1&slc_lang=fa&sid=1 Akram Eftekhari اکرم افتخاری a.eftekhari@ut.ac.ir 100319475328460010499 100319475328460010499 Yes University of Tehran دانشگاه تهران Farhad Samadzadegan فرهاد صمدزادگان samadz@ut.ac.ir 100319475328460010500 100319475328460010500 No University of Tehran دانشگاه تهران Farzaneh Dadrass javan فرزانه دادرس جوان f.dadrassjavan@utwente.nl 100319475328460010501 100319475328460010501 No University of Twente دانشگاه توئنته