遥感语义变化检测的图谱聚合原型学习
计算机视觉与模式识别
2025-07-16 v1
摘要
语义变化检测(Semantic Change Detection, SCD)将二元变化检测任务扩展为不仅提供变化位置，还提供详细的"从-至"类别信息的多时相遥感数据。这种详细的语义见解为广泛的应用提供了显著优势。然而，由于SCD涉及多个任务的同步优化，模型容易因任务特定的学习困难和冲突的梯度流而产生负迁移。为此，我们提出面向遥感语义变化检测的图谱聚合原型学习框架(GAPL-SCD)。在该框架中，设计了一种多任务联合优化方法，以优化语义分割和变化检测的主任务，以及图谱聚合原型学习的辅助任务。采用自适应权重分配和梯度旋转方法以缓解训练任务之间的冲突，提高多任务学习能力。具体而言，图谱聚合原型学习模块使用高级特征构建交互图。原型作为类别代理，实现跨时间点类别级域对齐，减少与无关变化的干扰。此外，提出的自查询多级特征交互和双时相特征融合模块进一步增强了多尺度特征表示，提高了复杂场景下的性能。在 SECOND 和 Landsat-SCD 数据集上的实验结果表明，我们的方法实现了最先进的性能，在准确性和鲁棒性方面取得显著提升。
引用
@article{arxiv.2507.10938,
title = {Graph Aggregation Prototype Learning for Semantic Change Detection in Remote Sensing},
author = {Zhengyi Xu and Haoran Wu and Wen Jiang and Jie Geng},
journal= {arXiv preprint arXiv:2507.10938},
year = {2025}
}