面向 onboard 的持续性洪水变检测：History Injection机制的Transformer模型
计算机视觉与模式识别
2026-03-20 v3 机器学习
摘要
通过持续卫星观测进行自然灾害监测需要在严格的运营约束下处理多时相数据。本文针对灾害管理中的洪水检测问题，开发了可在小型卫星内存和计算限制内运行的 onboard 变检测系统。我们提出了Transformer模型的History Injection机制(HiT)，该机制在保持前一次观察历史背景的同时，将数据存储量降低至原始图像大小的1%以下。此外，基于STTORM-CD洪水数据集的测试结果表明，HiT机制在Prithvi-tiny基础模型中可保持与双时相基线相当的检测准确性。该提出的HiT-Prithvi模型在Jetson Orin Nano上实现43 FPS，该硬件为纳米卫星所代表。本工作为卫星基持续自然灾害监测提供了实用框架，支持无需依赖地面处理基础设施的实时灾害评估。架构及模型检查点均可在https://github.com/zaitra/HiT-change-detection 获得。
关键词
引用
@article{arxiv.2601.13751,
title = {Towards Onboard Continuous Change Detection for Floods},
author = {Daniel Kyselica and Jonáš Herec and Oliver Kutis and Rado Pitoňák},
journal= {arXiv preprint arXiv:2601.13751},
year = {2026}
}
备注
19 pages, 9 figures, accepted at GISTAM 2026