SAAN：面向 VHR 遥感影像变化检测的相似性感知注意力流网络

变化检测（CD）是地球观测领域监测地表动态的一项基础且重要的任务。现有的基于深度学习的变化检测方法通常使用权重共享的孪生编码器网络提取双时相影像特征，并利用解码器网络识别变化区域。然而，我们观察到这些 CD 方法的表现仍远不能令人满意：1）深层编码器层聚焦于不相关的背景区域；2）模型在不同解码阶段对变化区域的置信度不一致。第一个问题是因为深层编码器层无法仅利用输出端的单一监督从不平衡的变化类别中有效学习，而第二个问题归因于缺乏显式的语义一致性保持。为解决这些问题，我们设计了一种新颖的相似性感知注意力流网络（SAAN）。SAAN 结合了相似性引导注意力流模块与深度监督相似性优化，以实现有效变化检测。具体而言，我们通过深度监督相似性优化显式引导深层编码器层从双时相输入影像中发现语义关系，从而应对第一个问题。所提取的特征被优化为在未变化区域语义相似、在变化区域语义不相似。第二个缺陷可通过所提出的相似性引导注意力流模块缓解，该模块融合相似性引导注意力模块与注意力流机制，引导模型聚焦于判别性通道与区域。我们通过在广泛 CD 任务上的实验评估了所提方法的有效性与泛化能力。实验结果表明，我们的方法在多个 CD 任务上取得了优异性能，并保持了判别性特征与语义一致性。