ADCNet：一种用于遥感变化检测的自适应双域协作网络

《Knowledge-Based Systems》：ADCNet: Adaptive Dual-Domain Collaborative Network for Remote Sensing Change Detection

提出基于自适应双域协作网络（ADCNet）的遥感变化检测方法，通过离散余弦变换（DCT）分离高低频特征，利用双域引导融合（DGF）模块增强高频细节，结合自适应频率域混合注意力（AFHA）模块实现多尺度特征重建，在三个数据集上达到最优性能。

　　
在遥感变化检测（RSCD）领域，近年来深度学习技术的突破显著提升了检测精度。然而，现有方法普遍存在两个核心问题：一是对空间域与频率域信息的整合不够完善，难以有效捕捉宏观结构与微观细节的关联；二是多尺度特征融合过程中存在分辨率退化现象，导致细粒度变化特征的丢失。针对这些问题，Yumei Tong等学者提出了基于自适应双域协同网络的ADCNet模型，通过构建频域引导的空间建模框架和多尺度递归解码机制，实现了对复杂变化特征的精准捕捉。

研究背景与问题分析
遥感变化检测的核心任务是通过多时相影像对比识别地表变化区域。高分辨率卫星影像不仅包含丰富的空间纹理信息，其频域特征同样蕴含关键变化线索。传统方法主要依赖空间域特征提取（如CNN），虽能有效识别局部变化，但存在三个明显局限：首先，单尺度特征提取难以兼顾宏观格局与微观细节；其次，标准卷积核的局部感受野限制了全局信息建模能力；再者，多尺度特征融合常导致空间分辨率丢失。

现有改进方案主要从两个方向着手：一是引入Transformer架构增强全局建模能力（如文献[8]），二是通过频域分解优化特征融合（如文献[9-13]）。然而这些方法在实践中发现，频域特征与空间特征的协同机制尚未形成系统化解决方案。特别是当处理大尺度结构变化（如城市扩张）与细小纹理变化（如道路修复）并存时，现有方法容易陷入"顾此失彼"的困境。例如，Zhou等人的注意力机制虽然实现了双域交互，但未考虑频域特征对空间建模的引导作用，导致边界信息处理不完整。

技术路线与创新突破
ADCNet的创新性体现在构建了"频域引导-空间建模-多尺度解码"的递进式处理框架。首先通过离散余弦变换（DCT）将输入影像分解为低频基频分量与高频细节分量，这一分解过程基于信号处理中的经典原理：低频对应大空间尺度（>1km）的宏观结构，高频表征小尺度（<100m）的纹理特征。如图1所示，经DCT分解后的低频图像保留了建筑群布局、道路网络等整体框架，而高频分量则突出了瓦面破损、绿化带调整等微观变化。

在频域引导的融合阶段，DGF模块通过双路径处理机制实现特征优化：对低频分量采用全局平均池化消除空间冗余，强化宏观结构表征；对高频分量则通过可分离卷积保留边缘特征，同时通过双线性插值保持空间分辨率。这种设计既避免了直接像素级融合导致的分辨率损失（如文献[6][7]），又解决了全局建模与局部细节提取的矛盾。实验表明，该模块可使宏观结构识别准确率提升12.7%，同时高频细节提取率提高8.3%。

多尺度解码机制是另一个创新点。AFHA模块采用反向金字塔结构，从512×512到1024×1024逐层重构。每个解码层包含两个分支：一个负责跨尺度特征交互（通过空间注意力机制），另一个执行频域-空间联合优化（通过通道注意力机制）。这种设计使得高频细节在融合过程中不会因尺度下采样而丢失，实验数据显示细粒度变化检测的IoU指标较传统方法提高19.6%。特别值得注意的是，模块中的动态权重分配机制可根据场景复杂度自动调整高频/低频特征的贡献比例，在雨雾天气和夜间监测场景中表现尤为突出。

技术实现的关键突破体现在三个方面：1）双域特征解耦技术，通过DCT基分解实现频域特征与空间特征的物理分离；2）自适应特征融合机制，采用双路径注意力网络动态平衡不同尺度特征的贡献度；3）递归解码架构，结合上采样与特征金字塔技术，在保持高分辨率的同时实现多尺度特征有效融合。这些设计使ADCNet在保持计算效率（FLOPs较基准模型降低28%）的同时，检测精度获得显著提升。

实验验证与性能对比
研究团队在三个基准数据集（LEVIR-CD、CDD-CD、SYSU-CD）上的对比实验具有方法论意义。如表1所示，这三个数据集覆盖了不同分辨率（0.3-0.5m）、不同地物类型（城市、农田、林地）和季节变化（春夏秋冬），能够有效检验模型的泛化能力。在levir-CD数据集上，ADCNet达到89.2%的敏感度（较次优模型提升7.4%），在sysu-cd数据集上更表现出色，其跨域适应能力使mIoU指标突破82.3%。值得关注的是，当处理包含多个变化源（如新建道路与旧建筑拆除并存）的复杂场景时，ADCNet的F1-score比传统双域模型提高14.6%。

消融实验揭示了各模块的核心价值：DGF模块使特征融合的边界完整性提升23.1%，AFHA模块的引入使多尺度特征利用率提高18.9%。特别在 SYSU-CD 数据集的夜间影像测试中，动态权重机制使模型对灯光变化和阴影变化的区分度提升31.5%。这些数据表明，双域协同机制相比单域处理具有显著优势，在遥感影像中高频特征占比仅15%-20%，但其中包含80%以上的变化信息。

应用场景与工程价值
该模型在多个实际应用场景中展现出独特优势。在灾害评估中，能够有效识别地震导致的建筑物裂缝（高频特征）与道路损毁（低频特征）的复合型变化。在城市规划领域，对新建建筑群（低频模式变化）与道路细化工程（高频纹理变化）的联合检测准确率达92.4%。农业监测方面，通过高频细节捕捉作物种植模式变化（如 rectangular crop rotation patterns），结合低频地形分析，使农田分类准确率提升至89.7%。

工程实现层面，模型通过轻量化设计（参数量约1.2亿，仅为传统Transformer模型的1/3）保持了高推理速度。在搭载NVIDIA A100 GPU的服务器上，单张32km×32km影像的推理时间仅为3.2秒，较同期SOTA模型缩短26%。这种高效性使得模型能够应用于实时变化监测系统，例如智慧城市中的交通流量变化预警。

未来发展方向
尽管ADCNet在多个基准测试中取得突破，研究团队也清醒认识到存在的局限性。首先，在跨季节变化检测中（如农作物生长周期），模型对时序特征的建模能力有待加强；其次，对于遮挡严重场景（如台风过境区域），高频特征提取的鲁棒性仍需提升。作者计划从三个方面进行优化：1）引入时序卷积模块增强多时相特征关联；2）开发基于生成对抗网络（GAN）的频域特征增强技术；3）构建跨域迁移学习框架以提升模型泛化能力。

该研究为遥感变化检测提供了新的技术范式，其双域协同与多尺度融合机制对计算机视觉中的跨域特征处理具有借鉴意义。特别在农业、城市规划等需要高精度变化识别的领域，ADCNet的技术路线展现出良好的应用前景。后续研究将重点解决模型在复杂天气条件下的适应性，以及如何将变化检测能力与地理信息系统（GIS）进行深度融合，推动构建智能化环境监测网络。