加沙的变化：基于DINOv3的多类变化检测用于冲突区域的损毁评估
计算机视觉与模式识别
2025-12-05 v2 人工智能
摘要
准确而迅速地评估冲突造成的损毁对于人道主义援助和区域稳定至关重要。在冲突区域，受损区域通常具有相似的建筑风格，损毁通常覆盖小面积且边界模糊。这些特征导致数据有限、标注困难以及显著的识别挑战，包括类内相似性高和语义变化模糊。为解决这些问题，我们引入了一个预训练的DINOv3模型，并提出了一种多尺度交叉注意力差异孪生网络（MC-DiSNet）。DINOv3骨干网络的强大视觉表示能力使其能够从双时相遥感图像中鲁棒且丰富地提取特征。多尺度交叉注意力机制能够精确定位细微的语义变化，而差异孪生结构增强了类间特征判别能力，实现了细粒度的语义变化检测。此外，设计了一个简单而强大的轻量解码器，在保持高效率的同时生成清晰的检测图。我们还发布了一个新的Gaza-change数据集，包含2023-2024年的高分辨率卫星图像对，并具有像素级语义变化标注。值得强调的是，我们的标注仅包含变化区域的语义像素。我们在Gaza-Change数据集和两个经典数据集上评估了我们的方法：SECOND和Landsat-SCD数据集。实验结果表明，我们提出的方法有效解决了多类变化检测任务，其出色性能为冲突区域快速损毁评估的实际应用铺平了道路。
引用
@article{arxiv.2511.19035,
title = {Changes in Gaza: DINOv3-Powered Multi-Class Change Detection for Damage Assessment in Conflict Zones},
author = {Kai Zheng and Zhenkai Wu and Fupeng Wei and Miaolan Zhou and Kai Lie and Haitao Guo and Lei Ding and Wei Zhang and Hang-Cheng Dong},
journal= {arXiv preprint arXiv:2511.19035},
year = {2025}
}