Tri-path DINO：用于遥感多类变化检测的特征互补学习
计算机视觉与模式识别
2026-03-24 v2
摘要
在遥感图像中，多类变化检测 (MCD) 对细粒度监控至关重要，但长期受制于复杂场景变化和细粒度标注稀缺的限制。为此，我们提出 Tri-path DINO 架构，采用三路径互补特征学习策略以促进预训练基础模型对复杂垂直领域的快速适应。具体而言，我们采用 DINOv3 预训练模型作为 backbone 特征提取网络以学习粗粒度特征。辅助路径也采用双肺结构，逐步聚合双肺编码器的中间特征以增强细粒度特征的学习。最后，引入多尺度注意力机制以增强解码器网络，在不同感受野下进行自适应捕获和增强上下文信息。该方法在 Gaza 设施损害评估数据集 (Gaza change) 和经典 SECOND 数据集上均实现了 MCD 任务的最佳性能。GradCAM 可视化进一步确认，主路径和辅助路径自然分别聚焦于粗粒度语义变化和细粒度结构细节。这种协同互补性为先进变化检测任务提供了稳健且可解释的解决方案，为快速精准的损害评估奠定了基础。
引用
@article{arxiv.2603.01498,
title = {Tri-path DINO: Feature Complementary Learning for Remote Sensing Multi-Class Change Detection},
author = {Kai Zheng and Hang-Cheng Dong and Shoulei Liu and Zhenkai Wu and Fupeng Wei and Lei Ding and Wei Zhang},
journal= {arXiv preprint arXiv:2603.01498},
year = {2026}
}