基于跨熵掩码的多感受野集成：遥感变更检测中的类别不平衡问题
计算机视觉与模式识别
2026-01-19 v2
摘要
遥感变更检测 (RSCD) 是一个复杂任务，变更往往以不同的尺度和方向出现。卷积神经网络 (CNN) 擅长捕获局部空间模式，但由于感受野有限，无法建模全局语义。另一方面，transformer 能建模长程依赖，但数据需求量大，而 RSCD 数据集规模不足以有效训练这些模型。为此，本文提出一种新型 RSCD 架构，适配 segment anything (SAM) 视觉基础模型，并通过多感受野集成处理 SAM 编码器的特征，以捕获局部和全局变更模式。我们提出一种空间时间特征增强 (STFE) 集成以捕获跨时序关系，提出一种解码器以重构变更模式，以及一种多尺度解码器融合注意力 (MSDFA) 以融合多尺度解码器信息并突出关键变更模式。集成中的每个分支 operate on 独立的感受野，以捕获从细到粗的层次细节。此外，我们提出一种新型跨熵掩码 (CEM) loss 以处理 RSCD 数据集中的类别不平衡问题。我们的工作在四个变更检测数据集上超越了最新的 SOTA 方法，包括 Levir-CD、WHU-CD、CLCD 和 S2Looking。在一个复杂的 S2Looking 数据集上，我们实现了 2.97% 的 F1 分数的提升。代码可在 https://github.com/humza909/SAM-ECEM 获取。
引用
@article{arxiv.2508.10568,
title = {Multi-Receptive Field Ensemble with Cross-Entropy Masking for Class Imbalance in Remote Sensing Change Detection},
author = {Humza Naveed and Xina Zeng and Mitch Bryson and Nagita Mehrseresht},
journal= {arXiv preprint arXiv:2508.10568},
year = {2026}
}