基于图神经网络的遥感变更检测：捕捉时空语义一致性

遥感变更检测（RSCD）旨在识别跨双时序卫星图像的表面变化。大多数先前方法仅依赖掩码监督，有效指导空间局部化，但对时空语义过渡提供有限约束，导致常产生空间一致的预测但仍存在语义不一致的问题。为此，本文提出TaCo—a时空语义一致网络，通过时空语义联合约束丰富现有的掩码监督框架。TaCo将变更概念化为双时序状态间的语义过渡，其中一种时序特征表示可通过专门的过渡特征派生而来。为实现此目标，我们引入Text引导的过渡生成器，将文本语义与双时序视觉特征融合以构建跨时序过渡特征。此外，我们提出时空语义联合约束，包括双时序重构约束和过渡约束：前者强制重建特征与原始特征对齐，后者增强变更的判别能力。该设计在推理期间不引入额外计算开销，即可实现显著性能提升。基于六个公开数据集的大量实验表明，TaCo在覆盖二进制变更检测和语义变更检测任务的均衡数据集上均实现了SOTA性能。