SCA-Net：用于增强型小建筑和道路变化检测的空间-上下文聚合网络
计算机视觉与模式识别
2026-02-11 v1
摘要
遥感影像中的自动变化检测对于城市管理、环境监测和灾害评估至关重要。虽然深度学习模型推动了该领域的发展，但它们常常面临对小物体敏感度低和计算成本高等挑战。本文提出了 SCA-Net，一个基于 Change-Agent 框架构建的增强型架构，用于双时相影像中精确的建筑和道路变化检测。我们的模型融合了多项关键创新：用于多尺度变化分析的新型差分金字塔模块、结合形状感知和高分辨率增强模块的自适应多尺度处理模块，以及用于联合上下文和细节处理的多级注意力机制。此外，还引入了动态复合损失函数和四阶段训练策略以稳定训练并加速收敛。在 LEVIR-CD 和 LEVIR-MCI 数据集上的全面评估表明，SCA-Net 的性能优于 Change-Agent 和其他最先进的方法。我们的方法在 LEVIR-MCI 上的平均交并比提高了 2.64%，小建筑的 IoU 显著提高了 57.9%，同时将训练时间减少了 61%。这项工作为实际变化检测应用提供了一种高效、准确且鲁棒的解决方案。
引用
@article{arxiv.2602.09529,
title = {SCA-Net: Spatial-Contextual Aggregation Network for Enhanced Small Building and Road Change Detection},
author = {Emad Gholibeigi and Abbas Koochari and Azadeh ZamaniFar},
journal= {arXiv preprint arXiv:2602.09529},
year = {2026}
}
备注
6 pages, 2 figures, 3 tables. Submitted for review