基于多尺度特征融合与标签优化的遥感影像变化检测方法LRNet研究

针对遥感变化检测中单尺度特征难以捕捉多尺度变化、固定阈值导致边界误判等问题，研究人员提出LRNet框架，通过多尺度特征融合和标签优化(LR)策略，在SYSU-CD等数据集上实现F1提升7.9%，为土地利用监测等应用提供更精准的解决方案。

　　

遥感影像变化检测是环境监测、灾害评估等领域的关键技术，但现有方法面临两大瓶颈：单一尺度特征难以应对建筑物、植被等目标的尺度差异，而固定阈值分类则会在决策边界区域产生大量误判。这些缺陷导致传统算法在复杂场景中性能骤降，严重制约了国土调查等实际应用的精度。

针对这一挑战，重庆大学的研究团队创新性地提出了LRNet框架。该研究通过多尺度特征金字塔(FPN)结构捕捉不同层级的变化特征，并设计标签优化(Label Refinement)策略，利用高置信度区域的语义一致性指导低置信度区域分类。实验表明，该方法在SECOND-CD数据集上IoU指标提升12.38%，显著优于现有技术。

研究采用三项核心技术：1) 基于Res2Net的多尺度特征提取器，2) 融合空间-通道注意力的特征解码模块，3) 动态Top-K选择的标签传播算法。通过SYSU-CD、LEVIR-CD+等基准数据集验证，团队系统评估了算法在建筑变化、植被演替等场景的适应性。

【多尺度特征融合】通过层级特征金字塔整合建筑物、道路等目标的宏观布局与微观纹理，解决传统方法在跨尺度目标检测中的特征丢失问题。实验显示该设计使小目标检测召回率提升19.6%。

【标签优化机制】创新性地将医学图像分割中的置信度传播思想引入遥感领域，通过特征空间相似性计算实现动态阈值调整。定量分析表明该策略使FP/FN分别降低23.1%和17.4%。

【跨数据集验证】在包含农田、城区的SECOND-CD数据集上，LRNet的F1-score达81.3%，证明其强大的泛化能力。消融实验证实，多尺度模块与LR策略具有协同增强效应。

该研究突破性地将置信度传播理论与多尺度分析相结合，为遥感智能解译提供新范式。未来可通过引入Transformer架构进一步优化长程依赖建模，推动变化检测技术在智慧城市等领域的应用落地。论文的创新方法论对医学影像分割等相邻领域也具有重要借鉴意义。