突破权衡边界:紧凑且有效的遥感变化检测
计算机视觉与模式识别
2025-09-09 v2 机器学习
摘要
遥感变化检测对于监测城市扩张、灾害评估和资源管理至关重要,为动态景观演变提供及时、准确和大规模的洞察。虽然深度学习彻底改变了变化检测,但现代模型日益增加的复杂性和计算需求并未必然转化为显著的准确率提升。本研究不遵循这一趋势,而是探索一种更高效的方法,专注于在最小化资源消耗的同时保持高准确率的轻量级模型,这是星上处理的必要要求。为此,我们提出了 FlickCD,意为快速轻拂即可获得极佳结果,突破了性能与资源权衡的边界。FlickCD 引入了增强差异模块(EDM),以放大时间阶段间的关键特征差异,同时抑制光照和天气变化等无关变化,从而降低后续变化解码器的计算成本。此外,FlickCD 解码器结合了局部-全局融合块,利用移位窗口自注意力(SWSA)和高效全局自注意力(EGSA)有效捕获多尺度的语义信息,保留粗粒度和细粒度变化。在四个基准数据集上的大量实验表明,FlickCD 将计算和存储开销减少了一个数量级以上,同时实现了 SOTA 性能或仅有极小(<1% F1)的准确率权衡。实现代码已在 https://github.com/xulsh8/FlickCD 公开。
引用
@article{arxiv.2506.21109,
title = {Pushing Trade-Off Boundaries: Compact yet Effective Remote Sensing Change Detection},
author = {Luosheng Xu and Dalin Zhang and Zhaohui Song},
journal= {arXiv preprint arXiv:2506.21109},
year = {2025}
}
备注
12 pages