针对特定领域的SAM模型结合无监督学习：在高分辨率影像中检测农田变化的新方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Domain-Adapted SAM Meets Unsupervised Learning: A Novel Solution for Farmland Change Detection in High-Resolution Imagery

　　

农田变化监测对于确保粮食安全和可持续农业管理至关重要。尽管深度学习展现出了巨大潜力，但其应用在实际农业场景中却受到高质量标注数据稀缺的严重限制。为了解决无监督环境下特征泛化能力差和时空建模不足的问题，本文提出了一种新颖的无监督框架STCU（Spatio-Temporal Change Understanding），该框架将领域适应性强的Segment Anything Model（SAM）与先进的时间建模技术相结合。STCU的核心贡献有三个方面：首先，我们引入了低秩适应（LoRA）技术来微调预训练的SAM模型，有效缓解了自然图像与遥感图像之间的领域差异，从而无需任何监督即可生成高精度、空间一致的变化特征图；其次，在STCU框架中设计了时间卷积门控模块（TCGM），该模块通过多尺度深度卷积和门控机制明确定义了双时相特征之间的时空依赖关系，能够捕捉渐进变化和突发变化，并动态抑制时间噪声；此外，我们还提出了一个多任务损失函数，以增强特征解耦和联合优化效果。在三个公开基准测试集（CLCD、JL1和RSIPAC）上的大量实验表明，STCU的性能显著优于现有的无监督方法（如SCM、FCD-GAN、Trans-MAD），分别获得了53.69%、60.37%和46.38%的优异F1分数。这些结果证实了STCU在复杂农田环境中的强泛化能力和鲁棒性，为大规模农业监测提供了实用且有效的解决方案。