基于软匹配距离的弱监督趋势变化检测方法及其在双时相图像中的应用

针对变化检测(GCD)结果实用性不足与语义变化检测(SCD)标注成本高的矛盾，西安电子科技大学团队创新性提出趋势变化检测(TCD)任务，通过开发软匹配距离(SoftMatch Distance)构建弱监督TCD分支，仅需二元标签即可预测"出现/消失/转化"三类趋势。实验证明该方法在四个公开数据集上显著提升检测效果，为土地利用监测等领域提供高性价比解决方案。

　　

在计算机视觉领域，变化检测(Change Detection, CD)技术如同城市的"时空扫描仪"，能够捕捉同一区域不同时相图像中的动态变化。这项技术在国土监测、生态评估等领域具有重要价值，但现有方法面临两难困境：通用变化检测(General CD, GCD)仅能输出"是否变化"的二元结果，如同黑白照片般缺乏细节；而语义变化检测(Semantic CD, SCD)虽能识别具体物体类别，却需要像素级标注，其成本堪比手工绘制彩色地图。

西安电子科技大学智能感知与计算团队敏锐地发现，实际应用中用户往往更关注变化的趋势而非具体语义。例如城市规划者需要区分新建区域（Appear）、拆除建筑（Disappear）和改造用地（Transform），这种趋势信息恰好处在GCD与SCD的中间地带。基于此，研究人员创新性提出趋势变化检测(Trend CD, TCD)概念，并发表于《Pattern Recognition》的论文中。

研究团队采用特征解耦策略，通过双分支网络分别提取双时相图像的共有特征F_C和独立特征F_I。核心创新是提出的软匹配距离(SoftMatch Distance)，该距离度量通过动态权重分配机制，在弱监督条件下实现特征的前景-背景定向性判别。技术路线包含三个关键步骤：首先构建特征金字塔融合空间信息，其次设计距离约束损失函数引导趋势分类，最后引入背景抑制模块增强特征区分度。实验采用CDnet-2014等四个跨领域数据集验证，包含遥感影像和自然场景视频数据。

【特征学习】
通过编码器-解码器架构提取多尺度特征，特征解耦模块将输入图像对分解为反映共性的F_C和体现差异的F_I。消融实验显示该设计使mIoU提升2.3%。

【GCD分支】
在常规二元变化检测任务中，软匹配距离较余弦距离使F-score提高1.8%，证明其普适性优势。

【弱监督TCD】
仅使用二元标签即可实现四类（含无变化）趋势预测，在SVCD数据集上"transform"类别的检测精度达67.2%，逼近全监督方法。

研究结论表明，这种"升维思考，降维实施"的策略具有双重突破：理论上首次证明趋势信息可从二元标签中蒸馏获得，实践上使现有GCD数据集价值提升300%（可复用率）。特别是在城市扩张分析中，系统能自动标注出"城中村改造"等复杂变化模式，为智慧城市动态监测提供新范式。正如讨论部分指出，该方法如同在GCD与SCD间架设"彩虹桥"，既保留了GCD的轻量化优势，又获得了接近SCD的丰富信息维度。未来可扩展至多时相分析领域，推动动态视觉理解技术向实用化迈进。