DifferAugNet：用于遥感图像变化检测的多尺度特征聚合与差异特征增强方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：DifferAugNet: Multi-Scale Feature Aggregation and Differential Feature Augmentation for Remote Sensing Image Change Detection

　　

摘要：

在多时相遥感图像采集过程中，不可预测的环境条件以及设备偏差会导致未发生变化的区域出现显著特征差异，而边界和小区域则会出现较大误差，这些都会影响变化检测的结果，给变化检测任务带来巨大挑战。为了解决这些问题，本文提出了一种名为DifferAugNet（差异特征增强网络）的新模型。首先，设计了一个多尺度特征自适应融合模块，用于提取并自适应整合多尺度特征，以解决边界和小区域检测难题。其次，采用带有交叉注意力的差异特征增强模块，将差异特征与原始特征相结合，从而消除时间上的成像差异，提高对真实变化的敏感度。最后，利用上下文信息关联模块，将重构的多尺度特征与多层差异特征增强输出结果相互关联，进一步提升变化识别能力。实验结果表明，DifferAugNet在LEVIR-CD、DSIFN-CD和SYSU-CD数据集上均取得了先进的性能，其F1分数及交并比分别为90.81%（83.92%）、78.61%（64.77%）和78.72%（64.9%）。与现有的最先进方法相比，该模型取得了显著提升：在DSIFN-CD数据集上F1分数（交并比）提升了4.43%（5.82%），在LEVIR-CD数据集上F1分数提升了0.53%，在SYSU-CD数据集上F1分数（交并比）提升了0.56%（0.77%）。