EHCTNet：面向遥感图像变化检测的增强 CNN 与 Transformer 混合网络
计算机视觉与模式识别
2026-02-10 v1 机器学习
摘要
遥感（Remote Sensing, RS）变化检测因误报（false positive）成本较高而备受关注。现有框架在提升 Precision 指标以降低误报成本方面仍存在局限，导致未能聚焦于感兴趣的变化，引发漏检和不连续问题。为此，本文通过增强特征学习能力并融合特征信息的频率分量，提出一种策略以增量提升 Recall 值。我们构想了一种用于有效挖掘感兴趣变化信息的增强 CNN 与 Transformer 混合网络（EHCTNet）。首先，采用双分支特征提取模块提取遥感图像的多尺度特征。其次，通过精炼模块 I 挖掘这些特征的频率分量。再次，利用基于Kolmogorov Arnold 网络的增强 token 挖掘模块获取语义信息。最后，从精炼模块 II 中挖掘有助于最终检测的语义变化信息的频率分量。广泛的实验验证了 EHCTNet 在理解复杂感兴趣变化方面的有效性。可视化结果表明，EHCTNet 检测到的变化区域更完整且更连续，邻近区分更准确。
引用
@article{arxiv.2501.01238,
title = {EHCTNet: Enhanced Hybrid of CNN and Transformer Network for Remote Sensing Image Change Detection},
author = {Junjie Yang and Haibo Wan and Zhihai Shang},
journal= {arXiv preprint arXiv:2501.01238},
year = {2026}
}