轻量级注意力机制结合特征差异，用于高效检测遥感中的变化

《IEEE Geoscience and Remote Sensing Letters》：Lightweight Attention Mechanism With Feature Differences for Efficient Change Detection in Remote Sensing

本文提出一种低复杂度注意力模块用于快速遥感变化检测，通过计算双时相特征的绝对差值并依次应用空间和通道注意力生成关键变化表示。空间注意力利用通道池化强调重要区域，通道注意力通过空间池化突出区分性特征。该模块以低维特征显著降低计算成本，双注意力结构提升空间定位和语义相关性，相比CGNet减少53.81%的MACs且F1-score仅下降0.15%，适用于大规模实时遥感应用。

　　

摘要：

本文提出了一种低复杂度的注意力机制，用于快速变化检测。该机制计算由孪生主干网络提取的双时相特征之间的绝对差异，并依次应用空间注意力和通道注意力来生成关键的变化表示。空间注意力通过使用通道池化得到的代表性值来强调重要的空间位置，而通道注意力则利用空间池化得到的值来突出区分性特征响应。通过利用低维的代表性特征，该机制显著降低了计算成本。此外，其双注意力结构（由特征差异驱动）增强了变化的空间定位性和语义相关性。与基于变化引导的网络（CGNet）相比，所提出的方法将乘累加操作（MACs）减少了53.81%，同时分数仅下降了0.15%，显示出高效率且性能损失极小。这些结果表明，所提出的方法适用于计算效率至关重要的大规模或实时遥感（RS）应用。

引言

遥感（RS）是指利用卫星或航空平台观测地球表面的技术，它能够高效地分析大面积地理区域。因此，对RS图像分析技术的需求一直在稳步增长[1]、[2]、[3]、[4]。在RS的各种应用中，变化检测——即识别同一区域在不同时间获取的图像之间的差异——尤为重要，并广泛应用于国防、监视、环境监测和灾害响应等领域。然而，由于传感器噪声、大气变化以及不同采集平台之间的不一致性，准确的变化检测仍然具有挑战性[5]。为了应对这些挑战，已经开发了许多方法，其中基于深度学习的方法对这些干扰表现出很强的鲁棒性[5]、[6]。与通常分别优化各个处理模块的传统方法不同，基于深度学习的方法允许使用高容量模型对整个流程进行端到端优化。这种范式的转变使得高度准确的变化检测成为可能，该领域最新的研究大多利用了深度学习技术。