《Frontiers in Remote Sensing》：WD-CD: a large-scale high-resolution optical remote sensing benchmark for fine-grained change detection in war scenarios
编辑推荐：
引言：快速检测战争诱发的损毁对人道主义响应与战后重建至关重要，但大规模、精标注的战争损伤变化检测（Change Detection，CD）基准仍属稀缺。方法：研究人员提出名为WD-CD的大规模高分辨率双时相光学遥感基准，用于战争损伤变化检测。WD-CD包含9,
引言：快速检测战争诱发的损毁对人道主义响应与战后重建至关重要，但大规模、精标注的战争损伤变化检测（Change Detection，CD）基准仍属稀缺。方法：研究人员提出名为WD-CD的大规模高分辨率双时相光学遥感基准，用于战争损伤变化检测。WD-CD包含9,687对512×512像素双时相影像，采集自欧洲、非洲、亚洲五处冲突战区，总面积1,055.83 km2，提供16个目标类别与最多6种变化状态标注；研究人员评估了代表性深度学习模型，开展跨数据集对比与洲际迁移实验。结果：基准评估显示性能稳定且具有竞争力，同时揭示损伤状态判别的难点；洲际迁移实验表明建筑几何特征可跨区泛化，而损伤形态与背景地景具有区域特异性。讨论：WD-CD弥补了大规模细粒度战争损伤变化检测基准的不足，为模型性能与跨区域泛化评价奠定基础；为支持开放科学与可复现性，数据集将应请求向非商业学术研究开放。
研究背景方面，自20世纪初以来，战争对民用基础设施与军事设施造成广泛破坏。快速、准确的战争诱发损伤检测对人道主义响应和战后重建十分关键，但活跃冲突区难以进入，传统野外调查不可行。高分辨率双时相光学遥感影像因具备纹理、光谱与几何信息，成为变化检测（Change Detection，CD）的主要数据源；深度学习又使自动化高精度战争损伤检测日趋可行。然而，现有CD基准存在明显局限：二值变化检测（Binary Change Detection，BCD）数据集无语义标签；过渡语义变化检测（Transitional Semantic Change Detection，TSCD）数据集面向土地利用转换而非冲突；灾害导向语义变化检测（Damage-oriented Semantic Change Detection，DSCD）数据集如xBD主要覆盖地震、洪水等自然灾害；少数战争相关数据集仅覆盖单一冲突或城市，无法评价跨区域泛化。战争损伤还具有点状局部破坏、武器类型与打击角度导致表观差异大、目标类别与变化状态多样等特点，因此研究人员开展了WD-CD这一大规模高分辨率双时相光学遥感战争损伤变化检测基准构建与评价研究。
论文发表在《Frontiers in Remote Sensing》。该研究的重要意义在于，首次在欧洲、非洲、亚洲五场战争、三类场景、16个目标类别与最多6种变化状态下提供像素级标注基准，可支撑建筑损伤、地表基底、机场设施、港口目标等多目标多状态分析，并为跨域泛化与下游应用提供实验基础。
关键技术与方法方面，研究人员以Esri World Imagery Wayback为数据源，依据Uppsala Conflict Data Program等开源情报，筛选2015至2026年五场战争严重受损区域，形成66对大场景双时相影像；按城市城乡区、机场、港口分场景，利用OpenStreetMap几何先验做热启动标注，城乡区采用25%重叠滑窗裁剪成512×512斑块，机场与港口采用非重叠裁剪；标注模式含无变化、损伤、减少、新增、扩展、替换等状态，并由双人标注、交叉复核、Confident Learning框架筛疑、独立抽检构成质量控制；训练、验证、测试按地理隔离近似3:1:1划分，避免城乡重叠裁剪造成数据泄漏。
研究结果部分，相关工作总结如下。2 Related work回顾了光学遥感CD数据集、深度学习CD方法与战争场景CD研究，指出BCD、TSCD、DSCD三类基准均不足以刻画战争多目标多状态损伤。3 The WD-CD dataset介绍数据集本身。3.1 Data collection and preparation说明研究人员通过冲突驱动地理采样，从World Imagery Wayback获取五战区前后时相影像，空间分辨率0.3至1.2 m，时相隔2个月至3年，经ArcGIS Pro与GDAL配准，得到高质量双时相对。3.2 Annotation procedure给出分层标注架构与三阶段生产流程；3.2.1 Labeling schema design定义地表基底、固定目标、移动目标、无状态目标四类共16类与六态标签体系；3.2.2 Systematic annotation implementation以OSM先验热启动，城乡区重叠滑窗、机场港口非重叠裁切，并用CD-Lamba优化得到25%重叠率最优；3.2.3 Data annotation quality control以IoU不低于0.85、Cohen’s kappa不低于0.80为准入门槛，再以交叉组闭环审查、CD-Lamba五折概率低于0.50样本人工复检、约20%分层抽检接受率不低于90%保证质量。3.3 Dataset statistics and splits给出9,687对样本、1,055.83 km2、24城五战区统计，以及城乡区7,990对、机场1,101对、港口596对的训练验证测试划分；像素分布呈长尾，Building与Farmland占主导，Vehicle Revetment与Tower极少。3.4 Data availability and ethical considerations强调数据仅用于非商业学术、人道与重建，不得用于作战打击。
4 Experiments中，4.1 Evaluation metrics将建筑损伤检测（Building Damage Detection，BDD）分为定位F1loc与损伤分类F1clf，总体F1overall=0.3×F1loc+0.7×F1clf。4.2 Experimental setup在4张NVIDIA A100上以256×256×3输入、批量8、200轮训练七种模型。4.3 Benchmark evaluation显示CD-Lamba总体F1overall达79.53%，定位高于损伤分类，损伤态因形态不规则与类别不平衡成为主要难点。4.4 Cross-dataset comparison表明WD-CD比WHU-CD、LEVIR-CD、SYSU-CD、xBD更具语义与状态判别难度。4.5 Intercontinental transfer experiments得出建筑几何跨洲泛化较好，损伤语义与背景景观具区域特异性。
讨论部分指出，战争场景CD受限于战区不可进入、甚高分辨率影像商业壁垒与单冲突小数据，方法上出现自然灾损模型迁移、无监督特征挖掘等折中，但都无法替代高质量目标域监督。WD-CD通过多战区、多类别、多状态与严格地理划分，显式暴露域偏移，为跨域泛化、少样本、弱监督、灾后评估等方向提供底座。
研究结论部分译为：研究人员提出WD-CD，这是首个面向战争损伤变化检测的大规模高分辨率双时相光学遥感基准；该基准以16个目标类别、最多6种变化状态、五战区三大陆覆盖，填补了现有CD基准在战争场景细粒度语义与状态标注上的空白。基准实验表明，先进模型在建筑定位上表现较好，但损伤状态判别仍受形态异质性与长尾分布制约；洲际迁移实验进一步证实建筑几何可迁移，而损伤形态与背景环境具地域依赖性。WD-CD可为人道主义评估、战后重建优先级划分、跨域变化检测与开放科学复现提供可靠评价平台，后续可拓展至多模态遥感、时序战损演化与多语言灾害人道应用研究。
