异构遥感影像下的图对比学习网络在土地覆盖变化检测中的创新应用

本文推荐一篇关于异构遥感影像（Hete-RSIs）土地覆盖变化检测（LCCD）的前沿研究。作者提出了一种图对比学习网络（GCLN），通过超像素构建、图特征学习和对比损失函数设计，解决了异构影像直接比较的难题。实验表明，GCLN在五组数据集上平均精度提升3.63%-8.47%，代码已开源（GitHub）。创新点包括：无监督对比损失函数、自适应平均池化（AAP）分支保留局部特征、以及异常特征剔除策略。该研究为多模态遥感数据变化检测提供了新思路。

　　

亮点

本文提出了一种基于图对比学习网络（GCLN）的创新方法，用于异构遥感影像（Hete-RSIs）的土地覆盖变化检测（LCCD）。与现有研究相比，本研究的主要贡献包括：

1. 1.

   为无监督图卷积网络（GCN）设计了一种新颖的对比损失函数，通过平滑未变化区域的相似性、扩大变化区域的差异性来优化特征学习。该函数虽仅在本网络中验证，但有望拓展至其他无监督任务。

2. 2.

   在网络结构中嵌入自适应平均池化（AAP）分支，与传统图卷积结构不同，该设计能有效保留顶点间的局部连接信息。

3. 3.

   提出顶点特征筛选策略：通过排序两图中对应顶点的特征差异，剔除分布两端的异常特征，保留代表性特征。

方法学

如图1所示，GCLN包含四个模块：

1. 1.

   超像素图构建：采用k近邻算法（KNN）提升超像素内光谱同质性，缓解噪声干扰并利用上下文信息。

2. 2.

   图特征学习：基于光谱相似性与差异性构建成对图，设计网络学习图特征的远近依赖关系。

3. 3.

   损失函数设计：耦合相似性与差异性损失作为对比损失函数，扩大异类特征差异。

4. 4.

   图特征相似性度量：通过特征对比生成最终变化检测图。

结论

GCLN是一种无需训练样本的多模态遥感影像变化检测方法，相比同类先进方法展现出显著精度优势。但当前方法仍存在局限性，例如对超参数敏感、计算效率有待提升等，未来需进一步优化。

作者贡献声明

Zhiyong Lv：构思、数据获取、论文撰写与基金支持；Sizhe Cheng：方法论设计与项目管理；Linfu Xie：资源协调与监督；Junhuai Li：资源支持；Minghua Zhao：实验验证与可视化。

利益冲突声明

作者声明无已知的财务或个人利益冲突。

致谢

本研究受国家自然科学基金（42271385、42001407）、深圳市科技计划（RCBS20221008093124064）、广东省基础与应用基础研究基金（2024A1515010777）及粤港澳联合实验室项目（2020B1212030009）资助。