时序无关和鲁棒性增强的遥感影像变化检测方法

摘要

在遥感影像变化检测中，基于深度学习的方法大多采用孪生网络结构.然而，大量实验发现，此类方法会出现改变输入图像的顺序后性能严重下降的现象，其中ChangeFormer方法在LEVIR-CD数据集的交并比指标下降了79.86%，表明模型的时序鲁棒性不足，严重影响变化检测模型的实用性.对此，提出了一种结合时序对齐与跨层特征混合的变化检测方法CINet(chronologic invariant network)，在特征提取时设计时序对齐模块，通过对特征图进行空间混合和时序重建，在特征层面减少双分支的时序差异.然后设计了跨层特征混合模块，使用全尺度连接和差异引导来充分利用双分支中每一层级的特征图，提高在不同时序下的检测能力.最后，在LEVIR-CD数据集的实验结果显示，CINet的召回率和交并比分别达到了90.63%、84.13%，相较于ChangeFormer分别提高了1.83个百分点、1.65个百分点.在多个数据集上的实验结果也表明，即使在改变输入顺序后，所提方法仍能取得良好的变化检测结果，显示出优于其他方法的检测性能和更强的时序鲁棒性.

关键词

遥感影像 / 变化检测 / 孪生网络 / 时序对齐