用于轻量级遥感图像变化检测的高效多尺度特征融合网络

针对遥感变化检测中高计算成本问题，提出轻量级网络EMFINet，通过多尺度特征提取、差异特征增强、FFT辅助全局上下文感知和自适应解码四个模块协同优化，在保持91.66%-96.74%高F1分数的同时仅用2.44M参数和3.69G FLOPs，显著优于现有方法。

　　
远程 sensing change detection（RSCD）技术旨在通过分析同一地理区域在不同时间戳获取的影像数据，识别地表变化。随着遥感应用的扩展，该技术已广泛应用于土地利用监测、城市规划、生态评估和灾害评估等领域。然而，传统方法存在计算成本高、模型参数量大等问题，难以在资源受限的平台（如卫星）上部署。为此，研究者提出了一种轻量级高效的网络架构EMFINet，通过四个创新模块显著提升性能与效率的平衡。

### 核心创新模块解析
1. **多尺度特征提取模块（MFEM）**
- 该模块通过并行卷积操作，结合不同膨胀率和卷积核尺寸，从原始影像中提取多层次特征。例如，1×1卷积保留原始空间信息，3×3和5×5深度可分离卷积捕捉不同尺度的纹理变化，而膨胀卷积则增强对稀疏特征的敏感度。这种设计使得网络能同时识别大型建筑群和微小车辆等不同尺度的变化目标。

2. **差异特征增强模块（DFEM）**
- 针对传统方法易受伪变化干扰的问题，DFEM通过绝对差分计算生成初步变化特征，再结合通道注意力与空间注意力机制进行二次增强。前者通过缩放通道权重，使模型更关注变化区域的显著光谱差异；后者利用自注意力机制，抑制背景噪声并强化实际变化区域的边缘信息。

3. **FFT辅助全局上下文感知模块（FGCPM）**
- 该模块首次将快速傅里叶变换（FFT）引入遥感变化检测，通过将空间特征转换为频域特征，消除光照变化和季节更替带来的伪信号。具体流程包括：先对融合特征进行FFT转换，通过可学习注意力矩阵筛选有效频段，再经逆FFT还原空间域特征。这种跨域处理显著提升了模型对全局结构变化的建模能力。

4. **自适应解码模块（ADM）**
- ADM采用渐进式特征融合策略，通过双线性插值将高层语义信息与低层细节特征对齐，再通过可学习权重融合模块动态调整不同尺度特征的贡献度。这种设计既避免了传统上采样导致的细节丢失，又防止了过度依赖高层信息忽略局部特征。

### 实验验证与性能对比
在LEVIR-CD、WHU-CD和CDD三个基准数据集上的对比实验表明：
- **性能指标**：EMFINet在所有数据集上F1分数均超过90%，其中CDD数据集达到96.74%，显著优于次优方法USSFCNet（提升1.18%）。特别在WHU-CD数据集，其精确度（96.68%）比第二好的Bifa方法提升1.53%。
- **效率指标**：仅2.44M参数和3.69G FLOPs，相比A2Net（5.8M参数）、RFANet（7.3M参数）等同类模型，计算资源消耗降低40%以上。例如，TinyCD虽然参数量仅0.29M，但F1分数比EMFINet低1.3%，验证了轻量化设计需兼顾性能优化。

### 技术优势与落地潜力
EMFINet的核心优势体现在：
1. **跨尺度特征融合**：通过多分支并行卷积，同时捕捉从像素级纹理到公里级地形的特征变化，解决传统方法对特定尺度敏感的问题。
2. **频域-空间双路径增强**：FGCPM模块利用FFT消除光照伪影，同时保留空间拓扑关系，在CDD数据集中成功区分植被覆盖变化与土壤裸露区域。
3. **渐进式解码设计**：ADM模块通过逐步融合相邻尺度的特征，在WHU-CD数据集上使建筑物轮廓检测精度提升2.73%（IoU从86.95%升至89.68%）。

### 应用场景与挑战
EMFINet特别适用于以下场景：
- 卫星实时监测：其低FLOPs特性（3.69G）适合搭载在边缘计算设备，响应时间可控制在秒级。
- 极端分辨率影像处理：在256×256像素的高分辨率影像上，仍能保持94%以上的变化检测准确率。
- 多时相数据动态更新：模块化设计允许后续迭代中单独升级某部分（如FFT模块）而不影响整体架构。

当前存在的挑战包括：
- **复杂背景干扰**：在Figure 8（WHU-CD）中，EMFINet未能完全消除阴影伪警报，需进一步优化注意力机制。
- **小目标检测极限**：Figure 11显示，当变化区域面积小于0.1%时（如小型车辆），所有方法（包括EMFINet）的召回率均低于75%，这可能与当前模块的尺度敏感性不足有关。
- **动态环境适应**：在频繁云层遮挡场景（如CDD数据集）中，仍需依赖外部传感器数据辅助决策。

### 技术演进与未来方向
EMFINet的模块化设计为后续改进提供了明确路径：
1. **轻量化Transformer集成**：可将当前MobileNetV2主干替换为轻量级Transformer（如MobileViT），预期在保持F1分数的同时将参数量压缩至1.5M以下。
2. **动态频域采样策略**：当前FGCPM采用固定FFT分辨率，未来可引入自适应采样率，在保持FLOPs不变的前提下提升频域特征分辨率。
3. **增量学习架构**：针对卫星连续观测数据，开发增量式更新模块，避免传统全量训练的高能耗问题。

### 结论
EMFINet通过四个递进式增强模块，实现了计算效率与检测精度的双重突破。其实验数据表明，在保持模型参数量低于4M的情况下，F1分数仍能稳定在91%以上，这一指标已超过多数SOTA方法。其创新性地将频域分析引入变化检测领域，为遥感技术提供了新的方法论参考。未来结合联邦学习框架，有望在分布式卫星系统中实现端到端部署，这将是该技术落地的重要方向。