面向泛化的遥感变化检测：基于域无关学习
计算机视觉与模式识别
2025-04-02 v1
摘要
变化检测在区域发展中发挥着至关重要的作用，其中由影像环境因素引起的伪变化是关键挑战。现有的基于转换的方法将伪变化视为一种样式偏移，通过生成对抗网络（GANs）将 bitemporal 图像转换为相同样式来缓解其影响。然而，这些方法受到两个局限性制约：1）转换后的图像因失真而降低特征判别力。2）对齐掩盖了模型学习域无关表示的能力，这会降低在训练数据与实际场景存在域偏移时的性能。因此，我们从由样式差异引起的伪变化出发，提出了一种通用的域无关差分学习网络（DonaNet）。针对局限1，我们认为局部层次统计量可作为样式代理，以帮助抵御域偏移。针对局限2，DonaNet 通过去除编码特征中的域特定样式并突出显示物体的类别特征来学习域无关表示。在去除方面，我们提出了域差异移除模块以减少特征方差同时保持判别性，并提出其增强版以通过去相关特征之间的相关性来消除更多样式。在突出显示方面，我们提出了跨时域泛化学习策略以模拟潜在域偏移，从而使模型能够主动提取更抗偏移的特征表示。在三个公开数据集上进行的大量实验表明，DonaNet 在较小模型规模下优于现有最先进方法，对域偏移更具鲁棒性。
引用
@article{arxiv.2504.00543,
title = {Generalization-aware Remote Sensing Change Detection via Domain-agnostic Learning},
author = {Qi Zang and Shuang Wang and Dong Zhao and Dou Quan and Yang Hu and Licheng Jiao},
journal= {arXiv preprint arXiv:2504.00543},
year = {2025}
}