基于语义变化和空间一致性视角的变更检测方法 SChanger
计算机视觉与模式识别
2025-03-27 v1
摘要
变更检测是地球观测应用中的关键任务。最近的深度学习方法显示出强大的性能和广泛应用。然而，变更检测面临数据稀缺问题，由于精确对齐同一地区遥感图像的过程繁琐，限制了深度学习算法的性能。为解决数据稀缺问题，我们开发了一种称为语义变更网络（SCN）的微调策略。我们最初在单时间监督任务上进行预训练，以获取实例特征提取的先验知识。该模型随后采用共享权重的双路径网络结构和扩展的时间融合模块（TFM），以保留这些先验知识，并在变更检测任务上进行微调。用于识别所有实例的学习语义被转化为仅识别变更的焦点。同时，我们注意到两幅图像之间变更位置在空间上是一致的，我们将这一概念称为空间一致性。我们通过由大卷积核生成的注意力图在两个时间点的特征上应用该归纳偏置。这增强了多尺度变更的建模，有助于捕捉变更检测语义中的潜在关系。我们开发了一个利用这两种策略的二分类变更检测模型。该模型在六个数据集上与最先进的方法进行了验证，分别在 LEVIR-CD、LEVIR-CD+、S2Looking、CDD、SYSU-CD 和 WHU-CD 数据集上取得了 92.87%、86.43%、68.95%、97.62%、84.58% 和 93.20% 的 F1 分数。
引用
@article{arxiv.2503.20734,
title = {SChanger: Change Detection from a Semantic Change and Spatial Consistency Perspective},
author = {Ziyu Zhou and Keyan Hu and Yutian Fang and Xiaoping Rui},
journal= {arXiv preprint arXiv:2503.20734},
year = {2025}
}