渐进式自优化网络：一种面向超高分辨率光学遥感影像的无监督变化检测方法

为解决超高分辨率(VHR)遥感影像变化检测中样本选择精度与数量难以平衡、网络复杂度高、推理过程单一等问题，研究人员提出渐进式自优化网络(PSONet)。该方法通过多特征域伪样本选择策略获取"弱到强"变化信号，设计轻量级CNN(Partial Convolution)降低计算成本，采用渐进式自优化和掩膜融合提升检测性能。实验表明PSONet在五个公开数据集上优于14种先进方法，为无监督变化检测提供了新思路。

　　

在遥感技术飞速发展的今天，超高分辨率(VHR)光学遥感影像为地表变化监测提供了前所未有的细节信息。然而，这类影像的高空间相关性和异质性给变化检测带来了巨大挑战。传统方法依赖手工特征难以捕捉复杂特征，而深度学习方法又面临样本标注成本高、网络复杂度大等问题。特别是在无监督场景下，如何平衡伪训练样本的准确性与数量、设计高效轻量网络、优化推理过程成为亟待解决的难题。

针对这些挑战，南京师范大学的Yuzhen Shen团队在《International Journal of Applied Earth Observation and Geoinformation》发表研究，提出了一种名为渐进式自优化网络(PSONet)的创新方法。该方法通过三个关键技术突破实现了无监督VHR影像变化检测的性能提升：首先开发了基于光谱、深度和类信号特征的多域伪样本选择策略；其次设计了采用权重共享部分卷积(PConv)的轻量CNN架构；最后提出了渐进式自优化推理与掩膜融合机制。研究使用五个公开VHR数据集进行验证，并与14种先进方法进行对比。

【关键技术方法】

研究采用多阶段技术路线：1)通过光谱差分(CMI)、深度变化向量分析(DCVA)和类隶属度矩阵生成三个伪变化图；2)使用模糊C均值(FCM)聚类和"弱到强"变化信号图像进行样本选择；3)构建含部分卷积(PConv)和通道注意力模块(CAM)的轻量CNN；4)实施渐进式训练与掩膜融合，最终通过多轮结果整合生成变化图。实验在Intel Core i5平台使用PyTorch实现，采用Adam优化器和加权交叉熵损失函数。

【研究结果】

3.1 伪训练样本选择策略

通过整合光谱(CMI)、深度(DCVA)和类信号(FCM聚类)三个特征域的检测结果，构建"弱到强"变化信号图像(R)。实验表明该策略在ZY3数据集上样本准确率达96.67%，显著优于传统CVA结合FCM(CF)等方法。

3.2 轻量级CNN设计

设计的网络采用1×1和3×3卷积多尺度特征提取，使用PConv替代传统卷积，参数减少57.4%(50.63k vs 118.15k)，FLOPs降低61.2%(1584.4M vs 4080.01M)。在ZY3数据集上，添加PConv和CAM使F1从0.4995提升至0.6036。

3.3 渐进式自优化与掩膜融合

通过5轮渐进优化，每轮选择R的极值作为训练样本，网络性能呈现先升后降趋势。掩膜融合最终结果在ZY3数据集上F1达0.6036，优于14种对比方法，如KPCA-MNet(0.5532)和AEKAN(0.5267)。

4.5 实验结果分析

在CDD数据集(含大规模季节变化)上，PSONet的F1(0.6078)显著优于传统方法(PCA-Kmeans为负值)和深度学习方法(SCM为0.2865)。可视化结果显示能有效抑制植被-积雪伪变化，但对树影区域仍有误检。

【结论与讨论】

该研究提出的PSONet创新性地解决了无监督VHR变化检测三大难题：1)多特征域融合的样本策略缓解了样本质量-数量矛盾；2)轻量CNN设计平衡了性能与效率；3)渐进式优化提高了复杂场景适应性。特别是在处理季节变化明显的CDD数据集时，通过多轮优化有效抑制了伪变化，证实了方法的鲁棒性。

局限在于伪变化图质量直接影响最终效果，且渐进推理增加时间成本。未来可改进特征提取的自适应性，优化渐进规则，并探索光照不变特征增强季节鲁棒性。这项研究为无监督遥感变化检测提供了新范式，在灾害评估、城市监测等领域具有重要应用价值。