CoSA：基于相关性引导的变化注意力机制及可学习残差门控技术在遥感变化检测中的应用

《IEEE Access》：CoSA: Correlation-Guided Change Attention with Learnable Residual Gating for Remote Sensing Change Detection

　　

摘要：

利用双时相影像进行遥感变化检测在城市监测、灾害评估和环境管理等领域具有重要意义，但在变化点稀少、标签存在噪声以及影像外观存在差异的情况下，实现精准定位仍然具有挑战性。本文提出了一种名为上下文采样注意力机制（CoSA）的轻量级解码器端优化模块，该机制充分利用双时相特征之间的相关性作为控制信号，以实现自适应的变化感知特征增强。这与传统依赖隐式特征加权且没有明确时间控制的注意力机制有所不同。在所采用的FC-Siam测试环境中，CoSA会计算配对解码器特征之间的标准化同位置互相关值，将低相关性转化为变化阈值，并通过可学习的残差缩放机制，在1/8和1/16的特征尺度上注入相应的残差值。这种设计无需依赖计算成本较高的全局注意力机制，即可有效区分稳定区域和模糊区域。在四个基准数据集（LEVIR-CD、S2Looking、DSIFN和CLCD）上的大量实验表明，该机制相较于现有优秀方法具有持续的优势，能够在提升变化类别F1值方面实现1.5%至2.6%的改进，同时几乎不会增加参数开销。消融实验进一步证实，多尺度定位和可学习的残差阈值控制对于获得最佳性能都至关重要。这些结果说明，CoSA为提升Siamese变化检测框架中的时间分辨能力提供了一种实用且有效的优化方法。