FoBa：一种前景-背景协同引导方法及遥感语义变化检测新基准
计算机视觉与模式识别
2025-09-22 v1
摘要
尽管遥感语义变化检测（SCD）取得了显著进展，但仍存在两大挑战。在数据层面，现有的 SCD 数据集存在变化类别有限、变化类型不足以及缺乏细粒度类定义的问题，使其无法充分支持实际应用。在方法层面，大多数当前方法未充分利用变化信息，通常将其作为后处理步骤来增强空间一致性，这制约了模型性能的进一步提升。为了解决这些问题，我们构建了一个新的遥感 SCD 基准 LevirSCD。该数据集以北京地区为重点，涵盖 16 个变化类别和 210 种具体变化类型，并具有更细粒度的类定义（例如，道路被划分为未铺砌道路和已铺砌道路）。此外，我们提出了一种前景-背景协同引导的 SCD 方法（FoBa），该方法利用关注感兴趣区域的前景和富含上下文信息的背景协同引导模型，从而在增强模型检测细微变化能力的同时缓解语义歧义。考虑到 SCD 中双时相交互和空间一致性的要求，我们引入了门控交互融合（GIF）模块以及一个简单的一致性损失，以进一步增强模型的检测性能。在三个数据集（SECOND、JL1 和提出的 LevirSCD）上的大量实验表明，与当前 SOTA 方法相比，FoBa 取得了具有竞争力的结果，在 SeK 指标上分别提升了 1.48%、3.61% 和 2.81%。我们的代码和数据集可在 https://github.com/zmoka-zht/FoBa 获取。
引用
@article{arxiv.2509.15788,
title = {FoBa: A Foreground-Background co-Guided Method and New Benchmark for Remote Sensing Semantic Change Detection},
author = {Haotian Zhang and Han Guo and Keyan Chen and Hao Chen and Zhengxia Zou and Zhenwei Shi},
journal= {arXiv preprint arXiv:2509.15788},
year = {2025}
}