HSONet：一种用于高分辨率遥感图像变化检测的孪生前景区分驱动的难例样本优化网络

在训练后期，模型变化判定能力的进一步提升取决于变化检测（CD）模型对难例样本的学习程度；然而，学习难例样本面临两个额外挑战：(1) 变化标签有限且倾向于仅指向前景区分目标，而难例样本普遍存在于背景中，导致损失函数优化聚焦于前景目标而忽略背景难例，我们称之为不平衡。(2) 光照阴影、目标遮挡和季节变化等复杂情境会诱发难例样本，在缺乏监督信息和场景信息的情况下，模型难以直接学习难例样本以准确获取变化信息的特征表示，我们称之为缺失性。我们提出了一种孪生前景区分驱动的难例样本优化网络（HSONet）。为解决不平衡问题，我们提出了一种均衡优化损失函数，以调节前景和背景的优化焦点，通过损失值分布确定难例样本，并在损失项中引入动态权重，随着训练进程逐渐将损失优化焦点从前景转移至背景难例。为解决缺失性问题，我们借助场景上下文理解难例样本，提出了场景 - 前景关联模块，利用潜在的遥感空间场景信息对前景感兴趣目标与相关上下文之间的关联进行建模以获取场景嵌入，并将此信息应用于难例样本的特征增强。在四个公共数据集上的实验表明，HSONet 优于当前最先进的 CD 方法，特别是在检测难例样本方面。