高分辨率遥感图像中建筑物变化检测的特征增强网络DVM-Net：突破边缘误检与漏检的技术革新

针对高分辨率遥感图像中建筑物变化检测(BCD)存在的边缘误检、漏检及分割粗糙等问题，研究团队提出特征增强检测网络DVM-Net。该网络通过双通道特征提取结构(DFES)、多尺度下采样模块(MSDM)和视觉注意力机制(VAEM)三大创新，在WHU_CD、Google_CD和LEVIR_CD数据集上实现mIoU最高86.53%的领先性能，为城市规划与灾害评估提供高效解决方案。

　　

随着城市化进程加速，建筑物变更监测成为土地管理和灾害评估的核心需求。然而，高分辨率(HR)遥感图像中的建筑物变化检测(BCD)长期面临三大难题：密集建筑群的细节丢失（如武汉某区域建筑覆盖率超80%）、季节性遮挡导致的误检漏检（如阴影覆盖的楼体），以及复杂建筑边缘（如棱柱形、曲线形结构）的粗糙分割。传统方法中，基于图像差异的算法仅能捕捉低维特征，而基于对象的方案又受限于配准误差。尽管深度学习模型如SiU-Net和STA-Net通过注意力机制有所改进，但存在计算成本高、超参数敏感等瓶颈。

针对这些挑战，重庆教育委员会科技研究项目(KJQN202104503)支持的研究团队开发了DVM-Net。该网络在WHU_CD、Google_CD和LEVIR_CD数据集上的测试表明，其mIoU分别达到81.71%、79.77%和86.53%，超越11种现有方法。核心突破在于：1）双通道特征提取结构(DFES)通过主分支与混合空洞卷积分支协同工作，使建筑细节F1-score提升3.15%；2）多尺度下采样模块(MSDM)整合Shuffle-Attention机制，在复杂背景下将mIoU提高2.92%；3）视觉注意力增强机制(VAEM)通过补丁连接减少特征损失，边界检测F1-score增长3.93%。关键技术包括：采用武汉大学WHU_CD数据集进行训练验证，结合SECOND数据集进行跨场景测试；评估指标选用兼顾类别不平衡的F1-score和mIoU；硬件环境为NVIDIA RTX 3090显卡与PyTorch框架。

主要研究结果

1. 模块有效性验证：消融实验显示DFES、MSDM、VAEM分别贡献mIoU增长2.37%、2.92%、2.37%，证明多模块协同可解决80%以上的边缘误检问题。
2. 跨数据集性能：在Google Earth图像中，DVM-Net对低矮建筑的检测精度比HFA-Net提高7.2%，验证其光照鲁棒性。
3. 局限性分析：SECOND数据集测试表明，城市场景中植被覆盖区域的误检率仍达12.6%，反映模型对非建筑要素的区分能力待提升。

结论与意义
DVM-Net通过特征增强架构实现了HR遥感图像中建筑物变化的毫米级检测，其开源代码库(https://github.com/AroundSeeYou/DVM_Net)已支持动态城市监测。研究不仅为国土调查提供自动化工具（如重庆市城乡规划应用），更启示未来研究需融合多模态数据以应对植被干扰。该成果发表于《Engineering Applications of Artificial Intelligence》，标志着BCD领域从“粗粒度识别”向“细节保全”的技术跨越。