该研究提出了一种对比学习方法，可识别历史建筑物的变化情况，避免伪变化，并利用可变形卷积神经网络减少建筑不一致的影响。该方法在两个数据集上获得了较高的 F1 分数，并在与最先进算法的数据集测试中表现更好。

本文介绍了一种新颖的多任务学习模型DeMTG，结合了可变形卷积神经网络和基于查询的Transformer，采用共享门控机制，具有任务特定的灵活性。与传统方法相比，DeMTG成本低、复杂度小、参数少。实验证明，DeMTG在三个密集预测数据集上使用更少的GFLOPs，优于竞争模型。