LRNet: 基于先定位后精化策略的高分辨率遥感影像变化检测

变化检测作为遥感领域的研究热点，已持续取得发展与进步。然而，由于变化区域与背景之间周围元素的复杂性，边界细节的判别仍是一个重大瓶颈。判别大变化区域的边界会导致错位，而小变化目标则会出现边界连接。为解决上述问题，本文提出了一种基于先定位后精化策略的新型网络，即LRNet。LRNet由定位和精化两个阶段组成。在定位阶段，三分支编码器同时提取原始图像特征及其差分特征，以交互定位每个变化区域的位置。为最小化特征提取过程中的信息损失，提出了可学习最优池化（LOP）来替代广泛使用的最大池化。此外，该过程是可训练的，并有助于网络的整体优化。为有效交互不同分支的特征并准确定位各种大小的变化区域，提出了变化对齐注意力（C2A）和层次化变化对齐模块（HCA）。在精化阶段，通过边缘-区域对齐模块（E2A）约束变化区域和变化边缘，对定位阶段的定位结果进行校正。随后，解码器结合定位阶段经C2A增强的差分特征，精化不同大小的变化区域，最终实现变化区域的精确边界判别。在LEVIR-CD和WHU-CD数据集上，所提出的LRNet在综合评估指标上优于其他13种最先进方法，并提供了最精确的边界判别结果。