《Symmetry》：BSCNet: Boundary- and Scale-Consistent Mean Teacher for Semi-Supervised Building Change Detection in High-Resolution Remote Sensing Images
编辑推荐：
双时相高分辨率影像的像素级标注成本高昂，因为标注者必须从光照、季节性、阴影及残差配准误差导致的伪变化中区分出真实变化。从时间对称性视角看，未变化区域近似保持跨时相语义对应，而真实建筑变化会引入两期获取时间之间的局部对称性破缺。本文提出BSCNet，一种用于二值
双时相高分辨率影像的像素级标注成本高昂，因为标注者必须从光照、季节性、阴影及残差配准误差导致的伪变化中区分出真实变化。从时间对称性视角看，未变化区域近似保持跨时相语义对应，而真实建筑变化会引入两期获取时间之间的局部对称性破缺。本文提出BSCNet，一种用于二值建筑变化检测的半监督框架，联合建模边界敏感差异与场景依赖的尺度偏好。共享权重的MixTransformer提取多级双时相特征。边缘感知优化模块（Edge-Aware Optimization Module，EAOM）抑制空间不变通道响应，增强残差空间线索，并预测Sobel监督的边缘图。并行选择性上下文模块（Parallel Selective Context Module，PSCM）以不同感受野的深度可分离分支聚合特征，产出图像级尺度分布。多尺度边缘一致性均值教师（Multi-scale Edge-Consistent Mean Teacher，MECMT）框架在指数移动平均教师与学生之间对齐最终预测、中间边缘表示与尺度选择分布。在WHU-CD与LEVIR-CD上于5%、10%及20%标注数据设置下的实验显示，相较RCL、C2F-SemiCD与CutMix-CD取得一致提升。仅用5%标注数据时，BSCNet在WHU-CD上取得F1/IoU为88.57%/79.49%，在LEVIR-CD上为88.88%/79.98%。额外UAV-CD评估考察向含建筑与土地变化的0.06 m低空无人机影像的迁移能力；5%监督下BSCNet取得F1/IoU为68.07%/51.60%。渐进式消融确认边界、尺度与一致性组件带来互补增益。
研究背景方面，高分辨率双时相光学遥感影像的建筑变化检测面临像素级标注昂贵的问题，传统辐射差分、变化向量分析等方法对光照、季节、阴影与配准残差敏感，而有监督深度模型依赖充足标注，难以在小样本下稳定学习边界与尺度偏好。研究人员指出，未变化区域在配准后保持近似跨时相对应，真实变化构成局部时间对称性破缺，因此有效检测器应在抑制表观扰动的同时突出结构偏离。现有半监督方法多在最终概率图上做一致性约束，未显式正则化轮廓定位与上下文支持的内部表示，由此引出边界敏感、场景级尺度偏好与中间变量一致性三方面耦合需求。研究人员据此设计BSCNet，在《Symmetry》报道该工作，其意义在于将均值教师（Mean Teacher）一致性从最终变化图拓展至边缘特征与尺度选择分布，并以轻量模块嵌入边界与多尺度机制，从而降低标注负担并提升低监督下的边界完整性。
关键技术方法上，研究人员采用共享权重的MixTransformer作为双时相编码器，取四级特征；构建边缘感知优化模块（EAOM）对每级特征做全局平均池化广播得到空间不变直流响应，相减得残差，经深度可分离卷积增强后计算双时相绝对残差差，融合最高与最深分辨率差特征预测Sobel边缘图，并以残差边缘调制乘性增强边界敏感响应而不丢弃四级差特征；设并行选择性上下文模块（PSCM）以核3/5/7/9的深度可分离分支聚合边界感知差特征，经全局池化与两层MLP输出四维图像级尺度权重，加权融合后接空间校正；半监督训练采用指数移动平均（EMA）教师-学生框架，弱增强用于教师、强增强（色彩抖动与高斯噪声）用于学生，对无标签对计算预测一致性、边缘特征一致性与尺度分布一致性三项损失，总损失由有标签二元交叉熵、Dice与Sobel边缘损失及无标签三项一致性（含指数ramp-up系数）组成。样本来自WHU-CD（0.2 m航拍，6096训练对）、LEVIR-CD（0.5 m谷歌地球，7120训练对）及UAV-CD（0.06 m无人机，2660源对），按5%、10%、20%划标有标签集。
研究结果部分，在“与现有方法比较”中，研究人员在WHU-CD与LEVIR-CD上以5%/10%/20%标注比对比RCL、C2F-SemiCD、CutMix-CD等，BSCNet在5%下于WHU-CD获88.57% F1/79.49% IoU、LEVIR-CD获88.88% F1/79.98% IoU，均超对照；IoU优势在5%时最大，随标注增多收窄但仍存。UAV-CD跨平台实验中5%下获68.07% F1/51.60% IoU，优于协议对齐基线，证明边界与尺度机制可迁移至0.06 m无人机域但绝对精度受复杂场景限制。在“消融研究”中，渐进加入EAOM、PSCM、MECMT分别平均提升F1 2.57、2.19、1.34点；分解MECMT显示预测一致性（PC）结合边缘一致性（EC）与尺度一致性（SC）最优；残差边缘调制较辅助监督或直接相乘更优，因恒等项保四级差特征、边缘项仅加强边界；PSCM学习权重优于单分支与均匀平均；一致性权重λe、λs在0.1附近宽最优。在“计算复杂度”中，BSCNet推理45.72 G FLOPs、约17.8 ms/对，低于C2F-SemiCD与CutMix-CD，虽参数量47.13 M较高但深度可分离设计压低算术量，训练因双分支与多项一致性耗时约184 s/epoch、峰值13.2 GB。
讨论部分，研究人员认为边界建模降低斜缘、窄缝、拐角漏检，PSCM的场景级尺度权重补偿小住宅与大厂房的感受野错位，MECMT以中间边缘与尺度变量提供比仅预测图更强正则，尤其利于5%标注。局限性包括固定0.5阈值二值化伪标签易引错监、PSCM仅图像级四维权重不能空间变尺度、MECMT未纠正教师误区。UAV-CD较低精度反映跨平台需不确定度感知伪标签与区域重指派。结论部分译文如下：本文提出BSCNet用于高分辨率光学遥感影像半监督二值建筑变化检测。EAOM抑制空间不变全局通道响应并增强残差双时相差，辅助Sobel监督边缘头促使边界敏感特征学习。PSCM聚合四支深度可分离感受野分支并产出图像级尺度选择分布。MECMT将教师-学生一致性由最终预测拓展至中间边缘特征与尺度分布。在WHU-CD与LEVIR-CD上，BSCNet于5%、10%、20%标注下一致优于RCL、C2F-SemiCD与CutMix-CD，并与近期半监督方法具竞争力；5%监督下WHU-CD达88.57% F1/79.49% IoU，LEVIR-CD达88.88% F1/79.98% IoU。渐进消融确认EAOM、PSCM与MECMT互补贡献，跨平台UAV-CD评估显示边界与尺度一致性可迁至0.06 m无人机域。该研究为低标注建筑变化检测提供内部表示正则化路径。
